دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Arseny Kravchenko. Valerii Babushkin
سری:
ناشر: Manning Publications
سال نشر: 2023
تعداد صفحات: 186
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 Mb
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Machine Learning System Design MEAP V03 به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب طراحی سیستم یادگیری ماشین MEAP V03 نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
با این راهنمای سرتاسری برای طراحی سیستمهای یادگیری ماشینی بسیار موثر و قابل اعتماد، تصویر بزرگ و جزئیات مهم را دریافت کنید.\r\n\r\nدر طراحی سیستم یادگیری ماشینی: با مثال های سرتاسری یاد خواهید گرفت\r\nتصویر بزرگ طراحی سیستم یادگیری ماشین\r\nتجزیه و تحلیل فضای مسئله برای شناسایی راه حل بهینه ML\r\nمصاحبه طراحی سیستم Ace ML\r\nانتخاب معیارهای مناسب و معیارهای ارزیابی\r\nاولویت بندی وظایف در مراحل مختلف طراحی سیستم ML\r\nحل مشکلات مربوط به مجموعه داده از طریق جمع آوری داده ها، تجزیه و تحلیل خطا و مهندسی ویژگی\r\nشناخت مشکلات رایج در توسعه سیستم ML\r\nطراحی سیستم های ML به گونه ای که در طول زمان ناب، قابل نگهداری و توسعه پذیر باشند\r\n\r\nطراحی سیستم یادگیری ماشین: همراه با مثالهای پایانی، راهنمای عملی برای برنامهریزی و طراحی برنامههای کاربردی موفق ML است. این یک چارچوب واضح و قابل تکرار برای ساخت، نگهداری و بهبود سیستم ها در هر مقیاسی ارائه می کند. نویسندگان آرسنی کراوچنکو و والری بابوشکین این کتابچه راهنمای منحصر به فرد را با داستان های آتش سوزی و نکات شخصی از حرفه گسترده خود پر کرده اند. شما مستقیماً از تجربیات آنها یاد خواهید گرفت، همانطور که تمام جنبه های یک سیستم یادگیری ماشین را در نظر می گیرید، از جمع آوری نیازمندی ها و منبع داده تا استقرار و مدیریت سیستم نهایی.\r\n\r\nدر مورد تکنولوژی\r\nطراحی سیستم یادگیری ماشین پیچیده است. مهندس موفق ML نیاز به پیمایش یک فرآیند چند مرحله ای دارد که نیازمند مهارت در زمینه ها و نقش های مختلف است. این راهنمای منحصر به فرد با نشان دادن تصویر بزرگ به شما شروع می شود و سپس شما را گام به گام در چارچوبی برای ایجاد سیستم های موفق راهنمایی می کند. شما یاد خواهید گرفت که در ارائه اهداف جهانی، غواصی محلی در ابزارها، و ترکیب دانش خود در یک چشم انداز یکپارچه برتر باشید.\r\n\r\nدر مورد کتاب\r\nدر طراحی سیستم یادگیری ماشین: با مثالهای سرتاسری، چارچوبی گام به گام برای ایجاد، پیادهسازی، انتشار و نگهداری سیستم ML خود خواهید یافت. هر بخش از چرخه عمر، از جمعآوری اطلاعات گرفته تا سرویسدهی خوب سیستم شما، پوشش داده میشود. هر مرحله شامل چک لیست مفید خود از الزامات است و به طور کامل با نمونه های دنیای واقعی، از جمله حکایت های جالب از حرفه خود نویسنده، نشان داده شده است.\r\n\r\nشما دو شرکت نمونه را دنبال میکنید که هر کدام یک سیستم ML جدید میسازند، چگونگی بیان نیازهای آنها در اسناد طراحی و یادگیری بهترین شیوهها با نوشتن خود را بررسی میکنید. در طول مسیر، یاد خواهید گرفت که چگونه مصاحبههای طراحی سیستم ML را حتی در شرکتهای بسیار رقابتی FAANG مانند انجام دهید و با شناسایی تنگناها و بهینهسازی عملکرد سیستم، سیستمهای ML موجود را بهبود ببخشید.\r\n\r\nدر مورد خواننده\r\nبرای خوانندگانی که اصول مهندسی نرم افزار و یادگیری ماشین را می دانند. نمونه هایی در پایتون\r\n\r\nدر مورد نویسندگان\r\nآرسنی کراوچنکو یک مهندس ML با سابقه با سابقه اثبات شده در ساخت و بهینهسازی سیستمهای ML قابل اعتماد برای استارتآپها، از جمله پردازش ویدیوی بلادرنگ، بهینهسازی تولید، و تحلیل تراکنشهای مالی است.\r\n\r\nوالری بابوشکین یک رهبر موفق علم داده با تجربه گسترده در صنعت فناوری است. او در حال حاضر به عنوان معاون علم داده در Blockchain.com خدمت می کند، جایی که او مسئول رهبری ابتکارات مبتنی بر داده های شرکت است. قبل از پیوستن به Blockchain.com، والری نقشهای کلیدی در شرکتهای فناوری پیشرو مانند فیسبوک، علیبابا و گروه خرده فروشی X5 داشت.
Get the big picture and the important details with this end-to-end guide for designing highly effective, reliable Machine Learning systems. In Machine Learning System Design: With end-to-end examples you will learn The big picture of machine learning system design Analyzing a problem space to identify the optimal ML solution Ace ML system design interviews Selecting appropriate metrics and evaluation criteria Prioritizing tasks at different stages of ML system design Solving dataset-related problems through data gathering, error analysis, and feature engineering Recognizing common pitfalls in ML system development Designing ML systems to be lean, maintainable, and extensible over time Machine Learning System Design: With end-to-end examples is a practical guide for planning and designing successful ML applications. It lays out a clear, repeatable framework for building, maintaining, and improving systems at any scale. Authors Arseny Kravchenko and Valeri Babushkin have filled this unique handbook with campfire stories and personal tips from their own extensive careers. You’ll learn directly from their experience as you consider every facet of a machine learning system, from requirements gathering and data sourcing to deployment and management of the finished system. about the technology Machine learning system design is complex. The successful ML engineer needs to navigate a multistep process that demands skills from many different fields and roles. This one-of-kind-guide starts by showing you the big picture and then guides you step by step through a framework for creating successful systems. You’ll learn to excel at delivering for global objectives, diving locally into tools, and combining your knowledge into an integrated vision. about the book In Machine Learning System Design: With end-to-end examples you’ll find a step-by-step framework for creating, implementing, releasing, and maintaining your ML system. Every part of the life cycle is covered, from information gathering to keeping your system well-serviced. Each stage includes its own handy checklist of requirements and is fully illustrated with real-world examples, including interesting anecdotes from the author’s own careers. You’ll follow two example companies each building a new ML system, exploring how their needs are expressed in design documents and learning best practices by writing your own. Along the way, you’ll learn how to ace ML system design interviews, even at highly competitive FAANG-like companies, and improve existing ML systems by identifying bottlenecks and optimizing system performance. about the reader For readers who know the basics of both software engineering and machine learning. Examples in Python. about the authors Arseny Kravchenko is a seasoned ML engineer with a proven track record of building and optimizing reliable ML systems for startups, including real-time video processing, manufacturing optimization, and financial transactions analysis. Valerii Babushkin is an accomplished data science leader with extensive experience in the tech industry. He currently serves as the VP of Data Science at Blockchain.com, where he is responsible for leading the company's data-driven initiatives. Prior to joining Blockchain.com, Valerii held key roles at leading tech companies, such as Facebook, Alibaba, and X5 Retail Group.