Értékelés:
Az automatizált gépi tanulásról (AutoML) szóló könyv átfogóan foglalkozik mind a nyílt forráskódú, mind a kereskedelmi AutoML-megoldásokkal, különös tekintettel a főbb felhőplatformokra, például a Microsoft Azure, az AWS és a Google Cloud. Értékes forrásként szolgál a kezdők és a tapasztalt ML-gyakorlók számára, szervezett példákkal és keretrendszerekkel az AutoML telepítésének megértéséhez. Néhány recenzens azonban megemlítette a technikai magyarázatok mélységének hiányát és a szövegben használt képernyőképek olvashatóságával kapcsolatos problémákat.
Előnyök:⬤ Az AutoML fogalmainak és eszközeinek átfogó lefedettsége a főbb felhőplatformokon.
⬤ Szervezett szerkezet, világos példákkal és gyakorlati megvalósításokkal.
⬤ Kezdők és tapasztalt szakemberek számára egyaránt jó, akik gépi tanulási feladatokat szeretnének automatizálni.
⬤ Megmagyarázza az AutoML hatékony használatának hátterét, előnyeit és forgatókönyveit.
⬤ Széles körű áttekintést nyújt az ökoszisztémáról, nyílt forráskódú és kereskedelmi lehetőségekkel egyaránt.
⬤ Hiányoznak a mélyreható technikai magyarázatok; néhány fogalmat röviden mutat be.
⬤ A képernyőképek gyakran nehezen olvashatók, ahogy azt több kritikus is említette.
⬤ Lehet, hogy nem nyújt elég részletes példákat az egyes AutoML-platformokhoz, így a felhasználók mélyebb útmutatást szeretnének.
⬤ Bizonyos szakaszok számára előnyös lenne a nagyobb szervezeti áttekinthetőség és részletesség, különösen a vállalati kontextusban.
(14 olvasói vélemény alapján)
Automated Machine Learning: Hyperparameter optimization, neural architecture search, and algorithm selection with cloud platforms
Ismerkedjen meg az automatizált gépi tanulással, és alkalmazzon gyakorlati megközelítést az AutoML megvalósításához és a kapcsolódó módszertanokhoz
Főbb jellemzők:
⬤ Vezesse be az AutoML-t az OSS, Azure, AWS, GCP vagy bármelyik választott platform használatával.
⬤ Űzze ki a hétköznapi feladatokat az adatmérnöki munkában, és csökkentse az emberi hibákat a gépi tanulási modellekben.
⬤ Tudja meg, hogyan teheti elérhetővé a gépi tanulást minden felhasználó számára a decentralizált folyamatok előmozdítása érdekében.
Könyv leírása:
Minden gépi tanulással foglalkozó mérnök olyan rendszerekkel foglalkozik, amelyek hiperparaméterekkel rendelkeznek, és az automatizált gépi tanulás (AutoML) legalapvetőbb feladata ezeknek a hiperparamétereknek az automatikus beállítása a teljesítmény optimalizálása érdekében. A legújabb mély neurális hálózatok az architektúra, a regularizáció és az optimalizálás hiperparamétereinek széles skálájával rendelkeznek, amelyeket hatékonyan testre lehet szabni, hogy időt és energiát takarítsunk meg.
Ez a könyv áttekinti az automatizált jellemzőtervezés, a modell- és hiperparaméter-hangolás, a gradiens-alapú megközelítések és még sok más mögöttes technikát. Felfedezi e technikák nyílt forráskódú eszközökben történő megvalósításának különböző módjait, majd megtanulja a vállalati eszközök használatát az AutoML megvalósításához három nagy felhőszolgáltatóban: Microsoft Azure, Amazon Web Services (AWS) és Google Cloud Platform. A továbbhaladás során az AutoML használatával gépi tanulási modellek építésével fedezi fel a felhő AutoML platformok jellemzőit. A könyv azt is megmutatja, hogyan fejleszthet pontos modelleket a gépi tanulás fejlesztési életciklusában az időigényes és ismétlődő feladatok automatizálásával.
A gépi tanulásról szóló könyv végére képes lesz olyan AutoML modelleket építeni és telepíteni, amelyek nemcsak pontosak, hanem növelik a termelékenységet, lehetővé teszik az interoperabilitást, és minimalizálják a funkciófejlesztési feladatokat.
Amit tanulni fog:
⬤ Felfedezi az AutoML alapjait, a mögöttes módszereket és technikákat.
⬤ Az AutoML olyan aspektusainak értékelése, mint az algoritmus kiválasztása, az automatikus featurizáció és a hiperparaméterek hangolása egy alkalmazott forgatókönyvben.
⬤ Találja meg a különbséget a felhő és a művelettámogató rendszerek (OSS) között.
⬤ Az AutoML bevezetése a vállalati felhőben az ML modellek és pipelinek telepítéséhez.
⬤ Magyarázható AutoML-csővezetékek létrehozása átláthatósággal.
⬤ Az automatizált funkciótervezés és az idősoros előrejelzés megértése.
⬤ Automatizálja az adattudományi modellezési feladatokat az ML-megoldások egyszerű megvalósítása és az összetettebb problémákra való összpontosítás érdekében.
Kinek szól ez a könyv:
Polgári adattudósok, gépi tanulás fejlesztői, a mesterséges intelligencia szerelmesei, vagy bárki, aki gépi tanulási modelleket szeretne automatikusan létrehozni a nyílt forráskódú eszközök, a Microsoft Azure Machine Learning, az AWS és a Google Cloud Platform által kínált funkciók segítségével, hasznosnak fogja találni ezt a könyvet. Az ML-modellek építésével kapcsolatos kezdő szintű ismeretek szükségesek ahhoz, hogy a legtöbbet hozhassuk ki ebből a könyvből. Előnyös a vállalati felhő használatában szerzett korábbi tapasztalat.
