🤖 الگوهای طراحی در یادگیری ماشین (Machine Learning Design Patterns)

🧠 این الگوهای طراحی در این کتاب، مجموعه‌ای از بهترین Practiceها و راه‌حل‌ها برای مشکلات تکرارشونده در حوزه Machine Learning هستن. نویسنده‌ها—سه مهندس گوگل—روش‌های اثبات‌شده‌ای رو جمع‌آوری کردن تا به Data Scientistها کمک کنن مسائل رایج در کل چرخه‌ی ML رو بهتر حل کنن. این الگوها در واقع تجربه‌ی صدها متخصص رو به شکل دستورالعمل‌های ساده و قابل‌فهم تبدیل میکنن.

📌 در این کتاب، ۳۰ الگوی مختلف رو یاد میگیری که حوزه‌هایی مثل نمایش داده و مسئله، عملیاتی‌سازی، تکرارپذیری، انعطاف‌پذیری، توضیح‌پذیری (Explainability) و عدالت (Fairness) رو پوشش میدن. هر Pattern شامل توضیح مسئله، چندین راه‌حل ممکن، و پیشنهاد برای انتخاب بهترین روش متناسب با شرایطه.

📊 چیزهایی که یاد میگیری:

🧩 تشخیص و کاهش چالش‌های رایج هنگام Train، Evaluate و Deploy کردن مدل‌های ML

🗄️ نمایش داده به شکل مناسب برای انواع مدل‌ها مثل Embedding، Feature Cross و موارد مشابه

🎯 انتخاب نوع مناسب مدل برای هر مسئله

🔁 ساخت Training Loop قوی همراه با Checkpoint، استراتژی توزیع و Hyperparameter Tuning

🚀 دیپلوی سیستم‌های ML مقیاس‌پذیر که قابلیت Retrain و Update با داده‌های جدید رو دارن

🔍 تفسیر خروجی مدل‌ها برای Stakeholderها و بررسی رفتار عادلانه مدل

📚 فهرست مطالب

فصل 1. نیاز به الگوهای طراحی در یادگیری ماشین

فصل 2. الگوهای طراحی نمایش داده

فصل 3. الگوهای طراحی نمایش مسئله

فصل 4. الگوهای طراحی آموزش مدل

فصل 5. الگوهای طراحی برای سروینگ مقاوم

فصل 6. الگوهای طراحی تکرارپذیری

فصل 7. هوش مصنوعی مسئولانه (Responsible AI)

فصل 8. الگوهای مرتبط

👤 درباره نویسندگان

🧠 والیاپا (لاک) لاکشمانان مدیر جهانی Data Analytics و AI Solutions در Google Cloud هست و تیمش روی ساخت راهکارهای داده و ML برای مسائل واقعی بیزنسی کار میکنه. او برنامه‌ی ML Immersion در Advanced Solutions Lab گوگل رو بنیان‌گذاری کرده و قبل از گوگل در Climate Corporation به‌عنوان Director of Data Science و در NOAA به‌عنوان Research Scientist فعالیت داشته.

🧠 سارا رابینسون Developer Advocate در Google Cloud هست و روی ML تمرکز داره. او با ساخت دموها، محتوا و رویدادها به دولوپرها و Data Scientistها کمک میکنه ML رو در اپلیکیشن‌هاشون استفاده کنن. او مدرک کارشناسی خودش رو از دانشگاه Brandeis گرفته و قبل از گوگل در تیم Firebase فعالیت داشته.

🧠 مایکل مان ML Solutions Engineer در گوگل هست و به مشتریان Google Cloud کمک میکنه مدل‌های ML رو طراحی، پیاده‌سازی و Deploy کنن. او همچنین مدرس برنامه ML Immersion در Advanced Solutions Lab هست و دکترای ریاضیات از CUNY داره. قبل از گوگل هم به‌عنوان پژوهشگر دانشگاهی فعالیت میکرده.

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.