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: Kumar. Alok,
سری:
ISBN (شابک) : 9789391030421
ناشر: BPB Publications
سال نشر: 2022
تعداد صفحات:
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 6 Mb
در صورت تبدیل فایل کتاب Practical Full Stack Machine Learning 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 یادگیری ماشینی کامل پشته عملی 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.
تسلط بر فرآیند ML، از توسعه خط لوله تا استقرار مدل در تولید. ویژگیهای کلیدی ● تمرکز اصلی بر مهندسی ویژگی، کاوش و بهینهسازی مدل، دیتاوپ، خط لوله ML، و مقیاسبندی ML API. ● یک رویکرد گام به گام برای پوشش دادن هر کار علم داده با حداکثر کارایی و بالاترین عملکرد. ● دسترسی به مهندسی داده پیشرفته و ابزارهای ML مانند AirFlow، MLflow، و تکنیکهای گروه. شرح "یادگیری ماشینی تمام پشته عملی" متخصصان داده را با مجموعه ای از ابزارها و مفاهیم قدرتمند و منبع باز مورد نیاز برای ساخت یک پروژه علمی داده کامل آشنا می کند. این کتاب به زبان پایتون نوشته شده است و راهحلهای ML از نظر زبانی خنثی هستند و میتوانند برای زبانها و مفاهیم مختلف نرمافزار اعمال شوند. این کتاب پیش پردازش داده ها، مدیریت ویژگی ها، انتخاب بهترین الگوریتم، بهینه سازی عملکرد مدل، نمایش مدل های ML به عنوان نقاط پایانی API و مقیاس بندی ML API را پوشش می دهد. این به شما کمک می کند تا یاد بگیرید چگونه از کوکی برش برای ایجاد ساختارها و قالب های پروژه قابل استفاده مجدد استفاده کنید. DVC را توضیح می دهد تا بتوانید آن را پیاده سازی کنید و از مزایای مشابه در پروژه های ML بهره مند شوید. همچنین DASK و نحوه استفاده از آن برای ایجاد راه حل های مقیاس پذیر برای کارهای پیش پردازش داده را پوشش می دهد. KerasTuner، یک چارچوب بهینهسازی هایپرپارامتر با کاربرد آسان و مقیاسپذیر که نقاط درد جستجوی فراپارامتر را حل میکند در این کتاب پوشش داده میشود. تکنیکهای گروهی مانند روشهای بستهبندی، انباشته کردن، و تقویت و چارچوب ML-ensemble را برای پیادهسازی آسان و مؤثر یادگیری گروهی توضیح میدهد. این کتاب همچنین نحوه استفاده از جریان هوا را برای خودکارسازی وظایف ETL خود برای آماده سازی داده ها پوشش می دهد. MLflow را بررسی میکند، که به شما امکان میدهد مدلهای ایجاد شده با هر کتابخانهای را آموزش، استفاده مجدد و استقرار دهید. نحوه استفاده از fastAPI برای نمایش و مقیاسبندی مدلهای ML به عنوان نقاط پایانی API را آموزش میدهد. آنچه یاد خواهید گرفت ● نحوه ایجاد خطوط لوله یادگیری ماشینی قابل استفاده مجدد که آماده تولید هستند را بیاموزید. ● راه حل های مقیاس پذیر را برای پیش پردازش وظایف داده با استفاده از DASK پیاده سازی کنید. ● تکنیکهای ترکیبی مانند روشهای بستهبندی، انباشته کردن، و تقویت را آزمایش کنید. ● نحوه استفاده از جریان هوا را برای خودکارسازی وظایف ETL خود برای آماده سازی داده ها بیاموزید. ● MLflow را برای آموزش، پردازش مجدد، و استقرار مدل های ایجاد شده با هر کتابخانه ای یاد بگیرید. ● راه حل کوکیکاتر، KerasTuner، DVC، fastAPI، و بسیاری موارد دیگر. این کتاب برای چه کسی است. دانستن اصول یادگیری ماشین و برنامه نویسی Keras یک نیاز ضروری است. فهرست مطالب 1. سازماندهی پروژه علم داده شما 2. آماده سازی ساختار داده شما 3. ساختن معماری ML شما 4. زمانبندی خداحافظی، جریان هوا خوش آمدید 5. سازماندهی ساختار پروژه علم داده شما 6. فروشگاه ویژگی برای ML 7. خدمت به ML به عنوان API
Master the ML process, from pipeline development to model deployment in production. KEY FEATURES ● Prime focus on feature-engineering, model-exploration & optimization, dataops, ML pipeline, and scaling ML API. ● A step-by-step approach to cover every data science task with utmost efficiency and highest performance. ● Access to advanced data engineering and ML tools like AirFlow, MLflow, and ensemble techniques. DESCRIPTION 'Practical Full-Stack Machine Learning' introduces data professionals to a set of powerful, open-source tools and concepts required to build a complete data science project. This book is written in Python, and the ML solutions are language-neutral and can be applied to various software languages and concepts. The book covers data pre-processing, feature management, selecting the best algorithm, model performance optimization, exposing ML models as API endpoints, and scaling ML API. It helps you learn how to use cookiecutter to create reusable project structures and templates. It explains DVC so that you can implement it and reap the same benefits in ML projects.It also covers DASK and how to use it to create scalable solutions for pre-processing data tasks. KerasTuner, an easy-to-use, scalable hyperparameter optimization framework that solves the pain points of hyperparameter search will be covered in this book. It explains ensemble techniques such as bagging, stacking, and boosting methods and the ML-ensemble framework to easily and effectively implement ensemble learning. The book also covers how to use Airflow to automate your ETL tasks for data preparation. It explores MLflow, which allows you to train, reuse, and deploy models created with any library. It teaches how to use fastAPI to expose and scale ML models as API endpoints. WHAT YOU WILL LEARN ● Learn how to create reusable machine learning pipelines that are ready for production. ● Implement scalable solutions for pre-processing data tasks using DASK. ● Experiment with ensembling techniques like Bagging, Stacking, and Boosting methods. ● Learn how to use Airflow to automate your ETL tasks for data preparation. ● Learn MLflow for training, reprocessing, and deployment of models created with any library. ● Workaround cookiecutter, KerasTuner, DVC, fastAPI, and a lot more. WHO THIS BOOK IS FOR This book is geared toward data scientists who want to become more proficient in the entire process of developing ML applications from start to finish. Knowing the fundamentals of machine learning and Keras programming would be an essential requirement. TABLE OF CONTENTS 1. Organizing Your Data Science Project 2. Preparing Your Data Structure 3. Building Your ML Architecture 4. Bye-Bye Scheduler, Welcome Airflow 5. Organizing Your Data Science Project Structure 6. Feature Store for ML 7. Serving ML as API