هندسة تعلم الآلة باستخدام Python - الطبعة الثانية - الطبعة الثانية بواسطة Andrew McMahon (غلاف ورقي)

نبذة عن الكتاب صُمم هذا الكتاب لمهندسي MLOps وML، وعلماء البيانات، ومطوري البرمجيات الذين يتطلعون إلى بناء حلول قوية تستخدم تعلم الآلة لحل مشكلات العالم الحقيقي.

ملخص الكتاب حوّل مشاريع تعلم الآلة الخاصة بك إلى عمليات نشر ناجحة مع هذا الدليل العملي حول كيفية بناء وتوسيع نطاق الحلول التي تعالج مشكلات العالم الحقيقي. يتضمن فصلاً جديداً حول الذكاء الاصطناعي التوليدي ونماذج اللغات الكبيرة (LLMs)، وبناء مسار عمل يستفيد من نماذج LLMs باستخدام LangChain. الميزات الرئيسية: تتعمق هذه الطبعة الثانية بشكل أكبر في مواضيع تعلم الآلة الأساسية، والتكامل المستمر والتسليم المستمر (CI/CD)، وتصميم الأنظمة. استكشف ممارسات MLOps الأساسية، مثل إدارة النماذج ومراقبة الأداء. قم ببناء أمثلة شاملة لخدمات ML المصغرة ومسارات العمل القابلة للنشر باستخدام AWS والأدوات مفتوحة المصدر.

وصف الكتاب: تُعد الطبعة الثانية من Machine Learning Engineering with Python الدليل العملي الذي يحتاجه مهندسو MLOps وML لبناء حلول للمشكلات الواقعية. سيوفر لك هذا الكتاب المهارات اللازمة للبقاء في الصدارة في هذا المجال سريع التطور. يعتمد الكتاب نهجاً قائماً على الأمثلة لمساعدتك في تطوير مهاراتك، كما يغطي المفاهيم التقنية، وأنماط التنفيذ، ومنهجيات التطوير التي تحتاج إليها. ستستكشف الخطوات الرئيسية لدورة حياة تطوير ML، وستقوم بإنشاء "مصنع نماذج" خاص بك ومعياري لتدريب النماذج وإعادة تدريبها. ستتعلم كيفية تطبيق مفاهيم مثل CI/CD وكيفية اكتشاف الأنواع المختلفة من الانحراف (drift). كما ستكتسب خبرة عملية في أحدث بنيات النشر وتكتشف طرق توسيع نطاق حلولك. تتعمق هذه الطبعة في جميع جوانب هندسة تعلم الآلة (ML engineering) وعمليات تعلم الآلة (MLOps)، مع التركيز على أحدث التقنيات مفتوحة المصدر والقائمة على السحابة. ويتضمن ذلك نهجاً مطوراً بالكامل لتقنيات خطوط الأنابيب (pipelining) المتقدمة وأساليب التنسيق (orchestration). مع الفصل الجديد حول التعلم العميق، والذكاء الاصطناعي التوليدي، وعمليات نماذج اللغات الكبيرة (LLMOps)، ستتعلم كيفية استخدام أدوات مثل LangChain وPyTorch وHugging Face للاستفادة من نماذج اللغات الكبيرة (LLMs) في إجراء تحليلات فائقة القوة. كما ستستكشف مساعدي الذكاء الاصطناعي مثل GitHub Copilot لزيادة إنتاجيتك، ثم تتعمق في الاعتبارات الهندسية المتعلقة بالعمل مع التعلم العميق. ما ستتعلمه: • تخطيط وإدارة مشاريع تطوير تعلم الآلة (ML) من البداية إلى النهاية. • استكشاف التعلم العميق، والنماذج اللغوية الكبيرة (LLMs)، وعمليات النماذج اللغوية الكبيرة (LLMOps) للاستفادة من الذكاء الاصطناعي التوليدي. • استخدام Python لتغليف أدوات تعلم الآلة الخاصة بك وتوسيع نطاق حلولك. • إتقان التعامل مع Apache Spark وKubernetes وRay. • بناء وتشغيل مسارات تعلم الآلة باستخدام Apache Airflow وZenML وKubeflow. • اكتشاف الانحراف وبناء آليات إعادة التدريب ضمن حلولك. • تحسين معالجة الأخطاء باستخدام تدفقات التحكم وفحص الثغرات الأمنية. • استضافة وبناء الخدمات المصغرة لتعلم الآلة والعمليات الدفعية التي تعمل على AWS.

لمن هذا الكتاب: صُمم هذا الكتاب لمهندسي MLOps وML، وعلماء البيانات، ومطوري البرمجيات الذين يتطلعون إلى بناء حلول قوية تستخدم تعلم الآلة لحل مشكلات العالم الحقيقي. وإذا لم تكن مطوراً ولكنك ترغب في إدارة أو فهم دورة حياة منتجات هذه الأنظمة، فستجد هذا الكتاب مفيداً أيضاً. يفترض الكتاب وجود معرفة أساسية بمفاهيم تعلم الآلة وخبرة برمجية متوسطة في Python. بتركيزه على المهارات العملية والأمثلة الواقعية، يعد هذا الكتاب مورداً أساسياً لكل من يتطلع إلى تطوير مساره المهني في هندسة تعلم الآلة. محتويات الكتاب: مقدمة في هندسة تعلم الآلة، عملية تطوير تعلم الآلة، من النموذج إلى مصنع النماذج، التغليف، أنماط وأدوات النشر، التوسع، التعلم العميق، والذكاء الاصطناعي التوليدي، وLLMOps، بناء خدمة مصغرة كمثال لتعلم الآلة، بناء حالة استخدام لاستخراج وتحويل وتعلم الآلة.