🚀 کتاب "یادگیری AutoML" یک راهنمای کاربردی برای پیاده‌سازی یادگیری ماشین خودکار در محیط‌های واقعی هست. چه دانشمند داده باشید، چه مهندس ML یا پژوهشگر هوش مصنوعی، این کتاب به شما کمک می‌کنه تا از مرحله آزمایش فراتر برید و مدل‌هایی با کارایی بالا رو با کمترین تنظیمات دستی و بیشترین اتوماسیون بسازید و مستقر کنید. با استفاده از AutoGluon به عنوان ابزار اصلی، یاد می‌گیرید چطور مدل‌های AutoML رو بسازید، ارزیابی کنید و توسعه بدید تا پیچیدگی‌ها کم بشه و سرعت نوآوری بالا بره.

✨ نویسنده کتاب، کرم توماک، تجربیات خودش رو درباره نحوه ادغام مدل‌ها در جریان‌های کاری استقرار (Deployment) با استفاده از ابزارهای محبوبی مثل Kubeflow ،MLflow و Airflow به اشتراک می‌ذاره. همچنین رویکردهای چندپلتفرمی رو در Vertex AI ،SageMaker Autopilot ،Azure AutoML و H2O.ai بررسی می‌کنه. مطالعات موردی واقعی در حوزه‌های مالی، سلامت و خرده‌فروشی هم به شما کمک می‌کنه تا کاربردها رو بهتر درک کنید؛ در کنار این‌ها، فصل‌هایی درباره اخلاق، حاکمیت داده و Agentic AI دانش شما رو برای آینده تضمین می‌کنه.

🔹 ساخت پایپ‌لاین‌های AutoML برای داده‌های جدولی، متنی، تصویری و سری زمانی

🔹 استقرار مدل‌ها با جریان‌های کاری سریع و مقیاس‌پذیر با استفاده از بهترین روش‌های MLOps

🔹 مقایسه و کار با پلتفرم‌های پیشرو AutoML در بازار امروز

🔹 تفسیر نتایج مدل و تصمیم‌گیری آگاهانه با ابزارهای توضیح‌پذیری (Explainability)

🔹 بررسی اینکه چطور AutoML به نسل بعدی سیستم‌های هوش مصنوعی عامل‌محور (Agentic AI) ختم می‌شه

🌟 «تیم‌های زیادی رو دیدم که انرژی زیادی رو صرف زیرساخت‌های ML کردن، در حالی که AutoML باید اون‌ها رو مدیریت می‌کرد. چیزی که کرم توماک به درستی درک کرده — و بیشتر منابع از قلم می‌اندازن — اینه که بحث تنبلی یا میان‌بر زدن نیست؛ بحث اینه که قضاوت انسانی دقیقاً کجا ارزش افزوده ایجاد می‌کنه. در دنیای امروز، درک عمیق AutoML یک انتخاب نیست، بلکه یک زیربناست.»

— اشکان روشن‌ایی، مدیرعامل DataChef

📑 فهرست مطالب

بخش اول: مبانی AutoML

۱. یادگیری ماشین خودکار چیست؟

۲. ظهور و وضعیت فعلی AutoML

۳. درک پایپ‌لاین AutoML

بخش دوم: تکنیک‌های اصلی AutoML

۴. پیش‌پردازش خودکار داده‌ها و مهندسی ویژگی‌ها

۵. بهینه‌سازی ابرپارامترها

۶. جستجوی معماری عصبی (NAS)

بخش سوم: AutoML برای انواع مختلف داده‌ها

۷. استفاده از AutoGluon برای داده‌های جدولی

۸. استفاده از AutoML برای متن و پردازش زبان طبیعی

۹. پیش‌بینی سری‌های زمانی با AutoGluon

۱۰. بینایی ماشین با AutoGluon

بخش چهارم: تولید و MLOps

۱۱. ادغام جریان کاری با ابزارهای MLOps

۱۲. اتوماسیون پایپ‌لاین داده با Apache Airflow

۱۳. استقرار و تحویل مداوم برای AutoML

بخش پنجم: مطالعات موردی

- کجای کار اشتباه پیش رفت؟

- واقعیتِ AutoML در محیط عملیاتی

- چه چیزی این مطالعات موردی را متفاوت می‌کند

- ساختار مطالعات موردی

- نحوه استفاده از این مطالعات موردی

- اتصال به مسیر یادگیری AutoML شما

- نکته‌ای درباره پروژه‌ها

۱۴. مطالعه موردی ۱: خدمات مالی — تشخیص کلاهبرداری در لحظه در GlobalBank

۱۵. مطالعه موردی ۲: خرده‌فروشی — پیش‌بینی تقاضای همه‌کاناله

۱۶. مطالعه موردی ۳: سلامت — پیش‌بینی پذیرش مجدد بیماران

👤 درباره نویسنده

👨‍🏫 دکتر کرم توماک بنیان‌گذار و مدیرعامل MindspaceAI هست؛ یک شرکت مشاوره تخصصی ML/AI و توسعه محصول در آمستردام.

🏢 اون سابقه مدیریت اجرایی در شرکت‌های بزرگی مثل Google ،Commerzbank AG ،ING و Decathlon رو در کارنامه داره.

🎓 با داشتن مدرک دکترا از دانشگاه Purdue و چندین اختراع ثبت‌شده در زمینه یادگیری ماشین، کرم تخصص عمیقی در مقیاس‌پذیری سیستم‌های هوش مصنوعی در حوزه‌های مالی، خرده‌فروشی و فناوری داره.

In the era of big data and even bigger machine learning models powering the current generative AI revolution, the environmental footprint of these developments can no longer be ignored. This much-needed guide confronts the challenge head-on, offering a groundbreaking exploration into making deep learning (DL) both efficient and accessible. Author Raghavendra Selvan exposes the high costs—both environmental and economic— of traditional DL methods and presents practical solutions that pave the way for a more sustainable AI.

This essential read is for anyone in the machine learning field, from the academic researcher to the industry practitioner, who wants to make a meaningful impact on both their work and the world. This book enables readers to be agents of change toward a more sustainable and inclusive technological future.

• Learn strategies to significantly reduce the energy consumption, carbon footprint, and hardware demands of DL models

• Examine ways to break down barriers and foster a more inclusive future in AI development

• Explore strategies for cutting costs and minimizing ecological impact

• Learn how to balance performance with efficiency in model development and deployment

• Gain proficiency in cutting-edge tools that enhance the sustainability of your AI projects

“Finally, a book that brilliantly bridges deep technical ML with critical sustainability concerns. It masterfully connects technical ef f iciency with systemic thinking, providing essential frameworks for practitioners building truly sustainable AI.”

—Bijo Thomas - Senior applied scientist at Amazon

Table of Contents

Chapter 1. Sustainability and Artificial Intelligence

Chapter 2. Under the Hood of Generative AI

Chapter 3. Quantifying the Efficiency of Deep Learning

Chapter 4. Data Parsimony

Chapter 5. Automating Model Selection

Chapter 6. Training Efficiency

Chapter 7. Lean Inference

Chapter 8. Hardware Considerations

Chapter 9. A Recipe for Sustainable AI

Chapter 10. Toward Sustainable AI

About the Author

Raghavendra Selvan is an assistant professor at the University of Copenhagen. His research spans sustainable machine learning, machine learning for sciences, medical image analysis, and graph neural networks. He holds a PhD from the University of Copenhagen and is affiliated with Pioneer Center for AI (Denmark) and the pan-European AI network ELLIS.