هندسة منصة تعلم الآلة - (من الصفر) تأليف Benjamin Tan Wei Hao & Shanoop Padmanabhan & Varun Mallya (غلاف ورقي)

ملخص الكتاب عند شرائك النسخة المطبوعة، ستحصل على كتاب إلكتروني مجاني (بصيغة PDF أو ePub) من Manning، بالإضافة إلى إمكانية الوصول إلى تنسيق liveBook عبر الإنترنت (ومساعده القائم على الذكاء الاصطناعي الذي سيجيب على أسئلتك بأي لغة). إن تنفيذ مشروع ناجح لتعلم الآلة أمر صعب، وهذا الكتاب يجعل الأمر أكثر سهولة؛ حيث ستتعلم من خلاله كيفية تصميم نظام تعلم آلة (ML) موثوق من الصفر، مع دمج عمليات تعلم الآلة (MLOps) وعمليات التطوير (DevOps)، جنباً إلى جنب مع مجموعة من أدوات البنية التحتية المجرّبة بما في ذلك Kubeflow وMLFlow وBentoML وEvidently وFeast. يعمل نظام تعلم الآلة المصمم بشكل صحيح على تبسيط سير عمل البيانات، وتحسين التعاون بين فرق البيانات والعمليات، وتوفير الهيكلية اللازمة لكل من عمليات التدريب والنشر. ستتعلم في هذا الكتاب كيفية تصميم وتنفيذ نظام تعلم آلة من الصفر، كما ستستفيد من هذه المقدمة العملية والمفيدة لتحقيق الفوائد الكاملة للبنية التحتية المؤتمتة لتعلم الآلة. ستتعلم في كتاب Machine Learning Platform Engineering كيفية: إعداد منصة MLOps، ونشر نماذج تعلم الآلة في بيئة الإنتاج، وبناء مسارات بيانات متكاملة، بالإضافة إلى المراقبة الفعالة وقابلية التفسير.

حول التقنية: تتكون أنظمة الذكاء الاصطناعي (AI) وتعلم الآلة (ML) من العديد من الأجزاء المتفاعلة، بدءاً من مكتبات اللغات وأطر عمل التطبيقات، وصولاً إلى البنية التحتية لسير العمل والنشر، وصولاً إلى النماذج اللغوية الكبيرة (LLMs) وغيرها من النماذج المتقدمة. توفر منصة التطوير الداخلية (IDP) المصممة جيداً للمطورين مجموعة محددة من الأدوات والإرشادات التي تسرع عملية التطوير، مما يعزز الاتساق والأمان وتجربة المطور. حول الكتاب: يوضح لك كتاب Machine Learning Platform Engineering كيفية بناء منصة تطوير داخلية (IDP) فعالة لتطبيقات تعلم الآلة (ML) والذكاء الاصطناعي (AI). يسلط كل فصل الضوء على جزء حيوي من سير عمل تعلم الآلة (ML)، بما في ذلك إعداد أنابيب التنسيق، واختيار النماذج، وتخصيص الموارد للتدريب والاستدلال والخدمة، وغيرها الكثير. ومع تقدمك في القراءة، ستعمل على إنشاء منصة حديثة متعددة الاستخدامات باستخدام أدوات مفتوحة المصدر مثل Kubeflow وMLFlow وBentoML وEvidently وFeast وLangChain. ماذا ستتعلم في هذا الكتاب؟ إعداد منصة MLOps/LLMOps متكاملة، ونشر نماذج تعلم الآلة (ML) والذكاء الاصطناعي (AI) في بيئة الإنتاج، بالإضافة إلى آليات المراقبة والتقييم والتفسير الفعالة.

عن القارئ: مخصص لعلماء البيانات أو مهندسي البرمجيات. يتضمن أمثلة بلغة Python. عن المؤلف: يقود Benjamin Tan Wei Hao فريقاً من مهندسي تعلم الآلة وعلماء البيانات في DKatalis. ويشغل Shanoop Padmanabhan منصب مدير هندسة البرمجيات في Continental Automotive. بينما يعمل Varun Mallya كمهندس تعلم آلة أول في DKatalis. جدول المحتويات الجزء 1 1 البدء مع MLOps وهندسة تعلم الآلة 2 ما هي MLOps؟ 3 بناء التطبيقات على Kubernetes الجزء 2 4 تصميم أنظمة تعلم الآلة الموثوقة 5 تنسيق مسارات تعلم الآلة 6 تحويل نماذج تعلم الآلة إلى مرحلة الإنتاج الجزء 3 7 تحليل البيانات وإعدادها 8 تدريب النماذج والتحقق من صحتها: الجزء 1 9 تدريب النماذج والتحقق من صحتها: الجزء 2 10 استنتاج النماذج وخدمتها 11 المراقبة وقابلية التفسير الجزء 4 12 تصميم الأنظمة المدعومة بنماذج LLM 13 تصميم أنظمة LLM للإنتاج أ التثبيت والإعداد ب أساسيات YAML حول المؤلف Benjamin Tan هو مدير منتج ومهندس رئيسي لعلوم البيانات في DKatalis حيث يقود فريقاً من مهندسي تعلم الآلة الموهوبين، والبيانات العلماء، ومهندسو البيانات. وهو أيضاً مؤلف كتب The Little Elixir و OTP Guidebook و Building an ML Pipeline with Kubeflow (liveProject) الصادرة عن Manning، وكتاب Mastering Ruby Closures. يشغل Shanoop Padmanabhan منصب مدير هندسة البرمجيات في Continental Automotive، حيث يقود فريقاً من مهندسي البرمجيات يركزون على تقنيات الإدراك القائمة على تعلم الآلة للمركبات ذاتية القيادة. أما Varun Mallya فهو مهندس تعلم آلة يعمل في DKatalis، حيث يتولى مسؤولية إعداد وصيانة منصة تعلم الآلة الخاصة بالبنك.