📐 الگوهای طراحی در این کتاب بهترین شیوه‌ها و راه‌حل‌های مسائل تکراری در یادگیری ماشین را به تصویر می‌کشند.

👨‍💻 نویسندگان، سه مهندس گوگل، روش‌های اثبات‌شده‌ای را فهرست کرده‌اند تا به دانشمندان داده در مواجهه با مشکلات رایج در کل فرآیند ML کمک کنند.

📚 این الگوهای طراحی، تجربه صدها متخصص را به نصایح ساده و قابل دسترس تبدیل کرده‌اند.

🔍 در این کتاب، شما توضیحات دقیق ۳۰ الگو برای موارد زیر خواهید یافت:

• نمایش داده و مسئله
• عملیاتی‌سازی (Operationalization)
• تکرارپذیری و بازتولید
• انعطاف‌پذیری
• قابلیت توضیح (Explainability)
• انصاف و عدالت (Fairness)

💡 هر الگو شامل توضیح مسئله، مجموعه‌ای از راه‌حل‌های ممکن و توصیه‌هایی برای انتخاب بهترین تکنیک برای شرایط شماست.

📘 شما یاد خواهید گرفت که:

✅ چالش‌های رایج هنگام آموزش، ارزیابی و استقرار مدل‌های ML را شناسایی و کاهش دهید

✅ داده‌ها را برای انواع مدل‌های ML، از جمله embeddings و feature crosses، نمایش دهید

✅ مدل مناسب برای مسائل خاص را انتخاب کنید

✅ یک حلقه آموزش مقاوم بسازید که از checkpoints، استراتژی توزیع و تنظیم ابرپارامترها استفاده کند

✅ سیستم‌های ML مقیاس‌پذیر مستقر کنید که بتوانید آنها را بازآموزی و بروزرسانی کنید

✅ پیش‌بینی‌های مدل را برای ذی‌نفعان تفسیر کنید و اطمینان حاصل کنید که مدل‌ها با عدالت با کاربران رفتار می‌کنند

📑 فهرست مطالب

فصل 1: ضرورت الگوهای طراحی در یادگیری ماشین

فصل 2: الگوهای طراحی برای نمایش داده‌ها

فصل 3: الگوهای طراحی برای نمایش مسئله

فصل 4: الگوهای آموزش مدل

فصل 5: الگوهای طراحی برای سرویس‌دهی مقاوم

فصل 6: الگوهای طراحی برای بازتولیدپذیری

فصل 7: هوش مصنوعی مسئولانه (Responsible AI)

فصل 8: الگوهای مرتبط

👨‍💼 درباره نویسندگان

• Valliappa (Lak) Lakshmanan: رئیس جهانی تحلیل داده و راه‌حل‌های AI در Google Cloud. بنیان‌گذار برنامه ML Immersion در Advanced Solutions Lab گوگل.
• Sara Robinson: توسعه‌دهنده و مدافع ML در تیم Google Cloud، الهام‌بخش توسعه‌دهندگان و دانشمندان داده برای ادغام ML در برنامه‌هایشان.
• Michael Munn: مهندس راه‌حل‌های ML در گوگل، متخصص طراحی، پیاده‌سازی و استقرار مدل‌های یادگیری ماشین و مدرس برنامه ML Immersion.

The design patterns in this book capture best practices and solutions to recurring problems in machine learning. The authors, three Google engineers, catalog proven methods to help data scientists tackle common problems throughout the ML process. These design patterns codify the experience of hundreds of experts into straightforward, approachable advice.

In this book, you will find detailed explanations of 30 patterns for data and problem representation, operationalization, repeatability, reproducibility, flexibility, explainability, and fairness. Each pattern includes a description of the problem, a variety of potential solutions, and recommendations for choosing the best technique for your situation.

You'll learn how to:

• Identify and mitigate common challenges when training, evaluating, and deploying ML models
• Represent data for different ML model types, including embeddings, feature crosses, and more
• Choose the right model type for specific problems
• Build a robust training loop that uses checkpoints, distribution strategy, and hyperparameter tuning
• Deploy scalable ML systems that you can retrain and update to reflect new data
• Interpret model predictions for stakeholders and ensure models are treating users fairly

Table of Contents

Chapter 1. The Need for Machine Learning Design Patterns

Chapter 2. Data Representation Design Patterns

Chapter 3. Problem Representation Design Patterns

Chapter 4. Model Training Patterns

Chapter 5. Design Patterns for Resilient Serving

Chapter 6. Reproducibility Design Patterns

Chapter 7. Responsible AI

Chapter 8. Connected Patterns

About the Author

Valliappa (Lak) Lakshmanan is Global Head for Data Analytics and AI Solutions on Google Cloud. His team builds software solutions for business problems using Google Cloud's data analytics and machine learning products. He founded Google's Advanced Solutions Lab ML Immersion program. Before Google, Lak was a Director of Data Science at Climate Corporation and a Research Scientist at NOAA.

Sara Robinson is a Developer Advocate on Google's Cloud Platform team, focusing on machine learning. She inspires developers and data scientists to integrate ML into their applications through demos, online content, and events. Sara has a bachelor’s degree from Brandeis University. Before Google, she was a Developer Advocate on the Firebase team.

Michael Munn is an ML Solutions Engineer at Google where he works with customers of Google Cloud on helping them design, implement, and deploy machine learning models. He also teaches an ML Immersion Program at the Advanced Solutions Lab. Michael has a PhD in mathematics from the City University of New York. Before joining Google, he worked as a research professor.