ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Managing Machine Learning Projects: From design to deployment

دانلود کتاب مدیریت پروژه های یادگیری ماشین: از طراحی تا استقرار

Managing Machine Learning Projects: From design to deployment

مشخصات کتاب

Managing Machine Learning Projects: From design to deployment

ویرایش: [1 ed.] 
نویسندگان:   
سری:  
ISBN (شابک) : 163343902X, 9781633439023 
ناشر: Manning 
سال نشر: 2023 
تعداد صفحات: 272
[273] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 12 Mb

قیمت کتاب (تومان) : 46,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 8


در صورت تبدیل فایل کتاب Managing Machine Learning Projects: From design to deployment 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 مدیریت پروژه های یادگیری ماشین: از طراحی تا استقرار 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.


توضیحاتی در مورد کتاب مدیریت پروژه های یادگیری ماشین: از طراحی تا استقرار

با تکنیک های موجود در این راهنمای مدیریت پروژه منحصر به فرد، پروژه های یادگیری ماشین را از طراحی تا تولید هدایت کنید. بدون نیاز به مهارت ML! در مدیریت پروژه‌های یادگیری ماشین، تکنیک‌های ضروری مدیریت پروژه یادگیری ماشین را یاد می‌گیرید، از جمله: درک الزامات پروژه ML راه‌اندازی زیرساخت برای پروژه و تامین منابع یک تیم، کار با مشتریان و سایر ذینفعان، برخورد با منابع داده و وارد کردن آنها به پروژه برای استفاده مدیریت چرخه عمر مدل‌ها در پروژه مدیریت کاربرد الگوریتم‌های ML ارزیابی عملکرد الگوریتم‌ها و مدل‌ها تصمیم‌گیری در مورد مدل‌هایی که برای تحویل اتخاذ شود گرفتن مدل‌ها از طریق توسعه و آزمایش ادغام مدل‌ها با سیستم‌های تولید برای ایجاد برنامه‌های کاربردی مؤثر مراحل و رفتارها برای مدیریت مفاهیم اخلاقی فناوری ML، مدیریت پروژه‌های یادگیری ماشینی، راهنمای سرتاسری برای ارائه برنامه‌های یادگیری ماشینی به موقع و کمتر از بودجه است. ابزارها، رویکردها و فرآیندهای طراحی شده برای رسیدگی به چالش های منحصر به فرد مدیریت پروژه یادگیری ماشین را ارائه می دهد. شما یک مطالعه موردی عمیق را از طریق یک سری دوی سرعت دنبال خواهید کرد و خواهید دید که چگونه هر تکنیک را در عمل پیاده کنید. توجه شدید کتاب به حریم خصوصی داده‌ها و تأثیر جامعه تضمین می‌کند که پروژه‌های شما اخلاقی، مطابق با قوانین جهانی هستند و از شکست ناشی از سوگیری و سایر مسائل جلوگیری می‌کنند. خرید کتاب چاپی شامل یک کتاب الکترونیکی رایگان در قالب‌های PDF، Kindle و ePub از انتشارات منینگ است. درباره پروژه‌های یادگیری ماشینی «فرینگ فناوری» تا تولید، اغلب شبیه به حرکت در آب‌های ناشناخته است. از حسابداری برای منابع داده های بزرگ گرفته تا ردیابی و ارزیابی مدل های متعدد، فناوری یادگیری ماشین نیازهای اساسی متفاوتی نسبت به نرم افزارهای سنتی دارد. هرگز نترس! این کتاب شیوه‌های منحصربه‌فردی را که برای اطمینان از موفقیت پروژه‌هایتان نیاز دارید، ارائه می‌کند. درباره کتاب مدیریت پروژه‌های یادگیری ماشین منبع شگفت‌انگیزی از تکنیک‌های آزمایش‌شده در نبرد برای ارائه مؤثر راه‌حل‌های یادگیری ماشینی واقعی است. این کتاب در مجموعه‌ای از دوی سرعت‌ها ارائه شده است که شما را از یک پروژه پیشنهادی تا مرحله تولید می‌برد. شما یاد خواهید گرفت که چگونه زیرساخت های ضروری را برنامه ریزی کنید، آزمایش ها را هماهنگ کنید، از داده های حساس محافظت کنید و عملکرد مدل را به طور قابل اعتماد اندازه گیری کنید. بسیاری از پروژه های ML در ایجاد ارزش واقعی شکست می خورند - این کتاب را بخوانید تا مطمئن شوید پروژه شما موفق است. چه چیزی در داخل است راه اندازی زیرساخت و منابع یک تیم منابع داده را در پروژه بیاورید زمان و تلاش را به طور دقیق برآورد کنید مدل‌هایی را که برای تحویل اتخاذ کنید ارزیابی کنید. مدل‌ها را در برنامه‌های مؤثر ادغام کنید. بدون نیاز به مهارت فنی درباره نویسنده سیمون تامپسون 25 سال را صرف توسعه سیستم‌های هوش مصنوعی برای ایجاد برنامه‌های کاربردی برای استفاده در مخابرات، خدمات مشتری، تولید و بازار سرمایه کرده است. او برنامه تحقیقاتی هوش مصنوعی را در آزمایشگاه BT در بریتانیا رهبری کرد و اکنون رئیس بخش علوم داده در GFT Technologies است. فهرست مطالب 1 مقدمه: ارائه پروژه های یادگیری ماشینی سخت است. بیایید آن را بهتر انجام دهیم 2 پیش پروژه: از فرصت به الزامات 3 پیش پروژه: از الزامات تا پیشنهاد 4 شروع به کار 5 غواصی در مسئله 6 ارزیابی EDA، اخلاقیات و پایه 7 ساخت مدل های مفید با ML 8 تست و انتخاب 9 اسپرینت 3: ساخت و تولید سیستم پروژه 10 پست (sprint O)


توضیحاتی درمورد کتاب به خارجی

Guide machine learning projects from design to production with the techniques in this unique project management guide. No ML skills required! In Managing Machine Learning Projects you’ll learn essential machine learning project management techniques, including: Understanding an ML project’s requirements Setting up the infrastructure for the project and resourcing a team Working with clients and other stakeholders Dealing with data resources and bringing them into the project for use Handling the lifecycle of models in the project Managing the application of ML algorithms Evaluating the performance of algorithms and models Making decisions about which models to adopt for delivery Taking models through development and testing Integrating models with production systems to create effective applications Steps and behaviors for managing the ethical implications of ML technology Managing Machine Learning Projects is an end-to-end guide for delivering machine learning applications on time and under budget. It lays out tools, approaches, and processes designed to handle the unique challenges of machine learning project management. You’ll follow an in-depth case study through a series of sprints and see how to put each technique into practice. The book’s strong consideration to data privacy, and community impact ensure your projects are ethical, compliant with global legislation, and avoid being exposed to failure from bias and other issues. Purchase of the print book includes a free eBook in PDF, Kindle, and ePub formats from Manning Publications. About the Technology Ferrying machine learning projects to production often feels like navigating uncharted waters. From accounting for large data resources to tracking and evaluating multiple models, machine learning technology has radically different requirements than traditional software. Never fear! This book lays out the unique practices you’ll need to ensure your projects succeed. About the Book Managing Machine Learning Projects is an amazing source of battle-tested techniques for effective delivery of real-life machine learning solutions. The book is laid out across a series of sprints that take you from a project proposal all the way to deployment into production. You’ll learn how to plan essential infrastructure, coordinate experimentation, protect sensitive data, and reliably measure model performance. Many ML projects fail to create real value—read this book to make sure your project is a success. What\'s Inside Set up infrastructure and resource a team Bring data resources into a project Accurately estimate time and effort Evaluate which models to adopt for delivery Integrate models into effective applications About the Reader For anyone interested in better management of machine learning projects. No technical skills required. About the Author Simon Thompson has spent 25 years developing AI systems to create applications for use in telecoms, customer service, manufacturing and capital markets. He led the AI research program at BT Labs in the UK, and is now the Head of Data Science at GFT Technologies. Table of Contents 1 Introduction: Delivering machine learning projects is hard; let’s do it better 2 Pre-project: From opportunity to requirements 3 Pre-project: From requirements to proposal 4 Getting started 5 Diving into the problem 6 EDA, ethics, and baseline evaluations 7 Making useful models with ML 8 Testing and selection 9 Sprint 3: system building and production 10 Post project (sprint O)



فهرست مطالب

Managing Machine Learning Projects
brief contents
contents
preface
acknowledgments
about this book
	How this book is organized: A roadmap
	liveBook discussion forum
about the author
about the cover illustration
1 Introduction: Delivering machine learning projects is hard; let’s do it better
	1.1 What is machine learning?
	1.2 Why is ML important?
	1.3 Other machine learning methodologies
	1.4 Understanding this book
	1.5 Case study: The Bike Shop
	Summary
2 Pre-project: From opportunity to requirements
	2.1 Pre-project backlog
	2.2 Project management infrastructure
	2.3 Project requirements
		2.3.1 Funding model
		2.3.2 Business requirements
	2.4 Data
	2.5 Security and privacy
	2.6 Corporate responsibility, regulation, and ethical considerations
	2.7 Development architecture and process
		2.7.1 Development environment
		2.7.2 Production architecture
	Summary
3 Pre-project: From requirements to proposal
	3.1 Build a project hypothesis
	3.2 Create an estimate
		3.2.1 Time and effort estimates
		3.2.2 Team design for ML projects
		3.2.3 Project risks
	3.3 Pre-sales/pre-project administration
	3.4 Pre-project/pre-sales checklist
	3.5 The Bike Shop pre-sales
	3.6 Pre-project postscript
	Summary
4 Getting started
	4.1 Sprint 0 backlog
	4.2 Finalize team design and resourcing
	4.3 A way of working
		4.3.1 Process and structure
		4.3.2 Heartbeat and communication plan
		4.3.3 Tooling
		4.3.4 Standards and practices
		4.3.5 Documentation
	4.4 Infrastructure plan
		4.4.1 System access
		4.4.2 Technical infrastructure evaluation
	4.5 The data story
		4.5.1 Data collection motivation
		4.5.2 Data collection mechanism
		4.5.3 Lineage
		4.5.4 Events
	4.6 Privacy, security, and an ethics plan
	4.7 Project roadmap
	4.8 Sprint 0 checklist
	4.9 Bike Shop: project setup
	Summary
5 Diving into the problem
	5.1 Sprint 1 backlog
	5.2 Understanding the data
		5.2.1 The data survey
		5.2.2 Surveying numerical data
		5.2.3 Surveying categorical data
		5.2.4 Surveying unstructured data
		5.2.5 Reporting and using the survey
	5.3 Business problem refinement, UX, and application design
	5.4 Building data pipelines
		5.4.1 Data fusion challenges
		5.4.2 Pipeline jungles
		5.4.3 Data testing
	5.5 Model repository and model versioning
		5.5.1 Features, foundational models, and training regimes
		5.5.2 Overview of versioning
	Summary
6 EDA, ethics, and baseline evaluations
	6.1 Exploratory data analysis (EDA)
		6.1.1 EDA objectives
		6.1.2 Summarizing and describing data
		6.1.3 Plots and visualizations
		6.1.4 Unstructured data
	6.2 Ethics checkpoint
	6.3 Baseline models and performance
	6.4 What if there are problems?
	6.5 Pre-modeling checklist
	6.6 The Bike Shop: Pre-modelling
		6.6.1 After the survey
		6.6.2 EDA implementation
	Summary
7 Making useful models with ML
	7.1 Sprint 2 backlog
	7.2 Feature engineering and data augmentation
		7.2.1 Data augmentation
	7.3 Model design
		7.3.1 Design forces
		7.3.2 Overall design
		7.3.3 Choosing component models
		7.3.4 Inductive bias
		7.3.5 Multiple disjoint models
		7.3.6 Model composition
	7.4 Making models with ML
		7.4.1 Modeling process
		7.4.2 Experiment tracking and model repositories
		7.4.3 AutoML and model search
	7.5 Stinky, dirty, no good, smelly models
	Summary
8 Testing and selection
	8.1 Why test and select?
	8.2 Testing processes
		8.2.1 Offline testing
		8.2.2 Offline test environments
		8.2.3 Online testing
		8.2.4 Field trials
		8.2.5 A/B testing
		8.2.6 Multi-armed bandits (MABs)
		8.2.7 Nonfunctional testing
	8.3 Model selection
		8.3.1 Quantitative selection
		8.3.2 Choosing With Comparable Tests
		8.3.3 Choosing with many tests
		8.3.4 Qualitative selection measures
	8.4 Post modelling checklist
	8.5 The Bike Shop: sprint 2
	Summary
9 Sprint 3: system building and production
	9.1 Sprint 3 backlog
	9.2 Types of ML implementations
		9.2.1 Assistive systems: recommenders and dashboards
		9.2.2 Delegative systems
		9.2.3 Autonomous systems
	9.3 Nonfunctional review
	9.4 Implementing the production system
		9.4.1 Production data infrastructure
		9.4.2 The model server and the inference service
		9.4.3 User interface design
	9.5 Logging, monitoring, management, feedback, and documentation
		9.5.1 Model governance
		9.5.2 Documentation
	9.6 Pre-release testing
	9.7 Ethics review
	9.8 Promotion to production
	9.9 You aren’t done yet
	9.10 The Bike Shop sprint 3
	Summary
10 Post project (sprint Ω)
	10.1 Sprint Ω backlog
	10.2 Off your hands and into production?
		10.2.1 Getting a grip
		10.2.2 ML technical debt and model drift
		10.2.3 Retraining
		10.2.4 In an emergency
		10.2.5 Problems in review
	10.3 Team post-project review
	10.4 Improving practice
	10.5 New technology adoption
	10.6 Case study
	10.7 Goodbye and good luck
	Summary
references
	Chapter 1
	Chapter 2
	Chapter 3
	Chapter 4
	Chapter 5
	Chapter 6
	Chapter 7
	Chapter 8
	Chapter 9
	Chapter 10
index




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی