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: Cathy Chen, Niall Richard Murphy, Kranti Parisa, D. Sculley, and Todd Underwood سری: ISBN (شابک) : 9781098106225 ناشر: O'Reilly Media, Inc. 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 Reliable 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 قابل اعتماد 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.
چه بخشی از یک استارتآپ کوچک یا یک شرکت چند ملیتی باشید، این کتاب کاربردی به دانشمندان داده، مهندسین نرمافزار و قابلیت اطمینان سایت، مدیران محصول و صاحبان کسبوکار نشان میدهد که چگونه ML را به طور قابل اعتماد، مؤثر و حسابدار در سازمان خود اجرا و ایجاد کنند. شما در مورد همه چیز، از نحوه انجام نظارت بر مدل در تولید گرفته تا نحوه اجرای یک تیم توسعه مدل به خوبی تنظیم شده در یک سازمان محصول، بینشی کسب خواهید کرد. با استفاده از طرز فکر SRE برای یادگیری ماشین، نویسندگان و متخصصان مهندسی، کتی چن، کرانتی پریسا، نایل ریچارد مورفی، دی. اسکالی، تاد آندروود، و نویسندگان مهمان برجسته به شما نشان میدهند که چگونه یک سیستم ML کارآمد و قابل اعتماد را اجرا کنید. چه بخواهید درآمد را افزایش دهید، تصمیمگیری را بهینه کنید، مشکلات را حل کنید، یا رفتار مشتری را درک کنید و بر آن تأثیر بگذارید، یاد خواهید گرفت که چگونه وظایف روزانه ML را انجام دهید و در عین حال تصویر بزرگتری را در ذهن داشته باشید. شما بررسی می کنید ML چیست: چگونه کار می کند و بر چه چیزی متکی است چارچوب های مفهومی برای درک نحوه کار ML \"حلقه ها\". چگونه تولید موثر می تواند سیستم های ML شما را به راحتی قابل نظارت، مستقر و قابل اجرا کند چرا سیستمهای ML عیبیابی تولید را دشوارتر میکنند و چگونه میتوان آن را جبران کرد چگونه تیم های ML، محصول و تولید می توانند به طور موثر ارتباط برقرار کنند
Whether you're part of a small startup or a multinational corporation, this practical book shows data scientists, software and site reliability engineers, product managers, and business owners how to run and establish ML reliably, effectively, and accountably within your organization. You'll gain insight into everything from how to do model monitoring in production to how to run a well-tuned model development team in a product organization. By applying an SRE mindset to machine learning, authors and engineering professionals Cathy Chen, Kranti Parisa, Niall Richard Murphy, D. Sculley, Todd Underwood, and featured guest authors show you how to run an efficient and reliable ML system. Whether you want to increase revenue, optimize decision making, solve problems, or understand and influence customer behavior, you'll learn how to perform day-to-day ML tasks while keeping the bigger picture in mind. You'll examine What ML is: how it functions and what it relies on Conceptual frameworks for understanding how ML "loops" work How effective productionization can make your ML systems easily monitorable, deployable, and operable Why ML systems make production troubleshooting more difficult, and how to compensate accordingly How ML, product, and production teams can communicate effectively