تصویری جامع و دقیق از طراحی سیستم‌های یادگیری ماشین دریافت کنید.

با این راهنمای جامع و مرحله‌به‌مرحله، یاد می‌گیرید چگونه سیستم‌های یادگیری ماشین را به‌طور مؤثر و قابل‌اعتماد طراحی کنید.

کتاب Machine Learning System Design شما را از جمع‌آوری اطلاعات تا انتشار و نگهداری مدل، گام‌به‌گام راهنمایی می‌کند. در این کتاب، یک چارچوب مطمئن برای ساخت، نگهداری و بهبود سیستم‌های یادگیری ماشین در هر مقیاس و سطح پیچیدگی ارائه شده است.

این کتاب به شما یاد می‌دهد که چگونه یک پروژه‌ی یادگیری ماشین را از مرحله‌ی طراحی تا استقرار به‌طور کامل مدیریت کنید. شما یک چارچوب گام‌به‌گام برای طراحی، پیاده‌سازی، انتشار و نگهداری سیستم‌های ML را دنبال خواهید کرد.

در طول مسیر، چک‌لیست‌های مهم و مثال‌های واقعی به شما کمک می‌کنند تا سیستم‌های ML خود را به‌صورت بهینه طراحی و پیاده‌سازی کنید. علاوه بر این، کتاب شامل داستان‌های جالب و نکات کاربردی شخصی نویسندگان است.

همچنین، راهنمایی‌هایی برای موفقیت در مصاحبه‌های طراحی سیستم‌های ML در این کتاب گنجانده شده است.

درباره‌ی نویسندگان

والری بابوشکین (Valerii Babushkin) یک رهبر برجسته در حوزه‌ی علم داده است که تجربه‌ی گسترده‌ای در صنعت فناوری دارد. او در حال حاضر به‌عنوان معاون علم داده در Blockchain.com فعالیت می‌کند و مسئول هدایت پروژه‌های داده‌محور این شرکت است. پیش از پیوستن به Blockchain.com، نقش‌های کلیدی در شرکت‌های بزرگ فناوری از جمله فیس‌بوک (Facebook)، علی‌بابا (Alibaba) و X5 Retail Group داشته است.

آرشنی کراوچنکو (Arseny Kravchenko) یک مهندس یادگیری ماشین با تجربه است که سابقه‌ی موفقی در ساخت و بهینه‌سازی سیستم‌های یادگیری ماشین قابل‌اعتماد برای استارتاپ‌ها دارد. حوزه‌های تخصصی او شامل پردازش ویدئوی بلادرنگ، بهینه‌سازی فرآیندهای تولید و تحلیل تراکنش‌های مالی می‌شود.

Get the big picture and the important details with this end-to-end guide for designing highly effective, reliable machine learning systems.

From information gathering to release and maintenance, Machine Learning System Design guides you step-by-step through every stage of the machine learning process. Inside, you’ll find a reliable framework for building, maintaining, and improving machine learning systems at any scale or complexity.

In Machine Learning System Design: With end-to-end examples you will learn:

• The big picture of machine learning system design

• Analyzing a problem space to identify the optimal ML solution

• Ace ML system design interviews

• Selecting appropriate metrics and evaluation criteria

• Prioritizing tasks at different stages of ML system design

• Solving dataset-related problems with data gathering, error analysis, and feature engineering

• Recognizing common pitfalls in ML system development

• Designing ML systems to be lean, maintainable, and extensible over time

Authors Valeri Babushkin and Arseny Kravchenko have filled this unique handbook with campfire stories and personal tips from their own extensive careers. You’ll learn directly from their experience as you consider every facet of a machine learning system, from requirements gathering and data sourcing to deployment and management of the finished system.

About the technology

Designing and delivering a machine learning system is an intricate multistep process that requires many skills and roles. Whether you’re an engineer adding machine learning to an existing application or designing a ML system from the ground up, you need to navigate massive datasets and streams, lock down testing and deployment requirements, and master the unique complexities of putting ML models into production. That’s where this book comes in.

About the book

Machine Learning System Design shows you how to design and deploy a machine learning project from start to finish. You’ll follow a step-by-step framework for designing, implementing, releasing, and maintaining ML systems. As you go, requirement checklists and real-world examples help you prepare to deliver and optimize your own ML systems. You’ll especially love the campfire stories and personal tips, and ML system design interview tips.

What's inside

• Metrics and evaluation criteria

• Solve common dataset problems

• Common pitfalls in ML system development

• ML system design interview tips

About the reader

For readers who know the basics of software engineering and machine learning. Examples in Python.

Table of Contents

Part 1- Preparations

1. Essentials of machine learning system design

2. Is there a problem?

3. Preliminary research

4. Design document

Part 2- Early stage

5. Loss functions and metrics

6. Gathering datasets

7. Validation schemas

8. Baseline solution

Part 3- Intermediate steps

9. Error analysis

10. Training pipelines

11. Features and feature engineering

12. Measuring and reporting results

Part 4- Integration and growth

13. Integration

14. Monitoring and reliability

15. Serving and inference optimization

16. Ownership and maintenance

About the Author

Valerii Babushkin is an accomplished data science leader with extensive experience in the tech industry. He currently serves as the VP of Data Science at Blockchain.com, where he is responsible for leading the company's data-driven initiatives. Prior to joining Blockchain.com, Valerii held key roles at leading tech companies, such as Facebook, Alibaba, and X5 Retail Group.

Arseny Kravchenko is a seasoned ML engineer with a proven track record of building and optimizing reliable ML systems for startups, including real-time video processing, manufacturing optimization, and financial transactions analysis.