کتاب مهندسی یادگیری ماشین

کتاب مهندسی یادگیری ماشین نوشته اندری بورکوف و ترجمه مهدی اسماعیلی و سیدمهدی وحیدی پور است. این اثر به‌جای تمرکز صرف بر الگوریتم‌ها، مسیر کامل یک پروژه‌ی یادگیری ماشین را از تعریف هدف و آماده‌سازی داده تا استقرار، پایش و نگه‌داری مدل دنبال می‌کند و نشان می‌دهد چرا بسیاری از پروژه‌ها نه در مرحله‌ی مدل‌سازی، بلکه در بخش‌های مهندسی و اجرایی دچار مشکل می‌شوند. انتشارات آتی نگر این کتاب را منتشر کرده است. نسخه‌ی الکترونیکی این اثر را می‌توانید از طاقچه خرید و دانلود کنید.

درباره کتاب مهندسی یادگیری ماشین

کتاب مهندسی یادگیری ماشین نوشته‌ی اندری بورکوف به حوزه‌ای می‌پردازد که میان دانش یادگیری ماشین و اجرای واقعی پروژه‌ها قرار می‌گیرد. تمرکز اصلی اثر بر این است که ساختن یک مدل خوب فقط بخشی از کار است و موفقیت پروژه به تعریف درست مسئله، کیفیت داده‌ها، انتخاب ویژگی‌ها، ارزیابی دقیق و شیوه‌ی استقرار مدل هم وابسته است. نویسنده از همان فصل‌های آغازین، مرز میان موقعیت‌هایی را که یادگیری ماشین در آن‌ها مفید است و موقعیت‌هایی را که استفاده از آن توجیهی ندارد روشن می‌کند. همین نگاه باعث می‌شود کتاب فقط مجموعه‌ای از اصطلاحات فنی نباشد و به تصمیم‌گیری درباره‌ی خود پروژه هم بپردازد.

کتاب مهندسی یادگیری ماشین در ۱۰ فصل تنظیم شده است و هر فصل یکی از بخش‌های چرخه‌ی حیات پروژه را واکاوی می‌کند. فصل‌های آغازین به مفاهیم پایه، تعریف‌ها، گونه‌های یادگیری، داده‌های خام و آراسته، مجموعه‌های آموزشی و اعتبارسنجی و خط لوله اختصاص دارند، سپس بحث به اولویت‌بندی پروژه، تخمین پیچیدگی، دلایل شکست، جمع‌آوری و آماده‌سازی داده‌ها، نشت داده، داده‌های نامتعادل، مهندسی ویژگی، انتخاب الگوریتم، ارزیابی عملکرد، تنظیم ابرپارامترها، استقرار مدل و درنهایت پایش و نگه‌داری می‌رسد. این گستره نشان می‌دهد اثر فقط به مرحله‌ی آموزش مدل محدود نمی‌ماند و به فرایندی کامل نگاه می‌کند که از هدف کسب‌وکار شروع می‌شود و به استفاده‌ی پایدار از مدل می‌رسد.

کتاب مهندسی یادگیری ماشین اثر اندری بورکوف برای کسانی نوشته شده است که با مبانی یادگیری ماشین آشنا هستند و می‌خواهند بدانند یک مدل در محیط واقعی چگونه به بخشی از یک سامانه تبدیل می‌شود. تفاوت نقش تحلیلگر داده و مهندس یادگیری ماشین نیز در کتاب توضیح داده شده است و به مسائلی مثل شکست خاموش مدل، تغییر توزیع داده‌ها و هزینه‌های پنهان پروژه پرداخته شده است. فضای کتاب بیشتر بر تصمیم‌های اجرایی، خطاهای رایج و پیوند میان مدل آماری و زیرساخت نرم‌افزاری متمرکز است، یعنی همان جایی که بسیاری از پروژه‌ها از حالت آزمایشی به مرحله‌ی استفاده‌ی واقعی می‌رسند یا متوقف می‌شوند.

خلاصه کتاب مهندسی یادگیری ماشین

کتاب مهندسی یادگیری ماشین با یک پرسش ساده شروع می‌کند: یادگیری ماشین دقیقاً کجا به کار می‌آید و کجا کاربردی ندارد، سپس مسیر یک پروژه را از تعریف هدف و شناخت مسئله تا جمع‌آوری داده، آماده‌سازی، مهندسی ویژگی، آموزش و ارزیابی مدل دنبال می‌کند. در ادامه، کتاب به موضوعاتی مثل نشت داده، داده‌های نامتعادل، انتخاب الگوریتم، تنظیم ابرپارامترها و تفاوت مدل‌سازی در محیط آزمایش و محیط واقعی می‌رسد. بخش مهمی از اثر به استقرار مدل، استفاده در زمان اجرا، پایش عملکرد و نگه‌داری اختصاص دارد. پیام اصلی کتاب این است که موفقیت در یادگیری ماشین فقط به دقت مدل وابسته نیست و کیفیت تصمیم‌های مهندسی در تمام مراحل پروژه نقش تعیین‌کننده دارد.

چرا باید کتاب مهندسی یادگیری ماشین را بخوانیم؟

دلایل خواندن کتاب مهندسی یادگیری ماشین را می‌توان این‌طور خلاصه کرد:

• این کتاب چرخه‌ی کامل پروژه‌ی یادگیری ماشین را از تعریف هدف تا نگه‌داری مدل کنار هم قرار می‌دهد.
• این اثر نشان می‌دهد چرا بسیاری از پروژه‌ها در مرحله‌ی داده، استقرار یا پایش دچار مشکل می‌شوند، نه‌فقط در آموزش مدل.
• خواننده با مفاهیمی مثل نشت داده، داده‌های نامتعادل، خط مبنا و خط لوله در بستر پروژه آشنا می‌شود.
• کتاب به تصمیم‌گیری درباره‌ی اینکه چه وقت باید از یادگیری ماشین استفاده کرد و چه وقت نباید استفاده کرد کمک می‌کند.
• این اثر رابطه‌ی میان مدل آماری، زیرساخت نرم‌افزاری و نیازهای واقعی سازمان را روشن‌تر می‌کند.
• مطالب کتاب برای کسانی که می‌خواهند از مرحله‌ی کار با الگوریتم‌ها به مرحله‌ی اجرای سامانه‌های واقعی برسند، شناخت دقیق‌تری فراهم می‌کند.

خواندن کتاب مهندسی یادگیری ماشین را به چه کسانی پیشنهاد می‌کنیم؟

خواندن کتاب مهندسی یادگیری ماشین به این گروه‌ها پیشنهاد می‌شود:

• تحلیلگران داده که می‌خواهند با جنبه‌های اجرایی و مهندسی پروژه‌های یادگیری ماشین آشنا شوند.
• مهندسان نرم‌افزار که با استقرار، نگه‌داری و یکپارچه‌سازی مدل‌ها در سامانه‌ها سروکار دارند.
• کسانی که مبانی یادگیری ماشین را می‌دانند و می‌خواهند فراتر از آموزش مدل حرکت کنند.
• مخاطبانی که درگیر طراحی خط لوله، آماده‌سازی داده و ارزیابی مدل در پروژه‌های واقعی هستند.
• علاقه‌مندانی که می‌خواهند درباره‌ی چرخه‌ی حیات پروژه‌های یادگیری ماشین شناخت دقیق‌تری به‌ دست آورند.