Ocena:
Książka poświęcona zautomatyzowanemu uczeniu maszynowemu (AutoML) zawiera obszerne omówienie zarówno otwartych, jak i komercyjnych rozwiązań AutoML, w szczególności koncentrując się na głównych platformach chmurowych, takich jak Microsoft Azure, AWS i Google Cloud. Służy jako cenne źródło informacji dla początkujących i doświadczonych praktyków ML, ze zorganizowanymi przykładami i ramami do zrozumienia wdrażania AutoML. Niektórzy recenzenci wspomnieli jednak o braku dogłębnych wyjaśnień technicznych i problemach z czytelnością zrzutów ekranu użytych w tekście.
Zalety:⬤ Kompleksowe omówienie koncepcji i narzędzi AutoML na głównych platformach chmurowych.
⬤ Uporządkowana struktura z jasnymi przykładami i praktycznymi implementacjami.
⬤ Dobra zarówno dla początkujących, jak i doświadczonych praktyków chcących zautomatyzować zadania uczenia maszynowego.
⬤ Wyjaśnia tło, korzyści i scenariusze skutecznego korzystania z AutoML.
⬤ Oferuje szeroki przegląd ekosystemu z opcjami zarówno open-source, jak i komercyjnymi.
⬤ Brakuje dogłębnych wyjaśnień technicznych; niektóre koncepcje są przedstawione skrótowo.
⬤ Zrzuty ekranu są często trudne do odczytania, o czym wspomniało kilku recenzentów.
⬤ Może nie zapewniać wystarczająco szczegółowych przykładów dla konkretnych platform AutoML, pozostawiając użytkowników pragnących bardziej dogłębnych wskazówek.
⬤ Niektóre sekcje mogłyby zyskać na większej przejrzystości organizacyjnej i szczegółowości, szczególnie w kontekście korporacyjnym.
(na podstawie 14 opinii czytelników)
Automated Machine Learning: Hyperparameter optimization, neural architecture search, and algorithm selection with cloud platforms
Zapoznaj się z automatycznym uczeniem maszynowym i zastosuj praktyczne podejście do implementacji AutoML i powiązanych metodologii
Kluczowe cechy:
⬤ Przyspiesz pracę z AutoML przy użyciu OSS, Azure, AWS, GCP lub dowolnej wybranej platformy.
⬤ Eliminacja przyziemnych zadań w inżynierii danych i redukcja błędów ludzkich w modelach uczenia maszynowego.
⬤ Dowiedz się, w jaki sposób możesz udostępnić uczenie maszynowe wszystkim użytkownikom, aby promować zdecentralizowane procesy.
Opis książki:
Każdy inżynier uczenia maszynowego ma do czynienia z systemami, które mają hiperparametry, a najbardziej podstawowym zadaniem w zautomatyzowanym uczeniu maszynowym (AutoML) jest automatyczne ustawienie tych hiperparametrów w celu optymalizacji wydajności. Najnowsze głębokie sieci neuronowe mają szeroki zakres hiperparametrów dla swojej architektury, regularyzacji i optymalizacji, które można skutecznie dostosować, aby zaoszczędzić czas i wysiłek.
Ta książka zawiera przegląd podstawowych technik zautomatyzowanej inżynierii cech, strojenia modeli i hiperparametrów, podejść opartych na gradiencie i wielu innych. Odkryjesz różne sposoby implementacji tych technik w narzędziach open source, a następnie nauczysz się korzystać z narzędzi korporacyjnych do wdrażania AutoML u trzech głównych dostawców usług w chmurze: Microsoft Azure, Amazon Web Services (AWS) i Google Cloud Platform. W miarę postępów poznasz funkcje platform AutoML w chmurze, budując modele uczenia maszynowego za pomocą AutoML. Książka pokaże również, jak opracowywać dokładne modele poprzez automatyzację czasochłonnych i powtarzalnych zadań w cyklu rozwoju uczenia maszynowego.
Pod koniec tej książki o uczeniu maszynowym będziesz w stanie budować i wdrażać modele AutoML, które są nie tylko dokładne, ale także zwiększają produktywność, umożliwiają interoperacyjność i minimalizują zadania związane z inżynierią funkcji.
Czego się nauczysz:
⬤ Zbadać podstawy AutoML, podstawowe metody i techniki.
⬤ Ocenić aspekty AutoML, takie jak wybór algorytmu, automatyczna fabularyzacja i dostrajanie hiperparametrów w zastosowanym scenariuszu.
⬤ Poznaj różnicę między chmurą a systemami wsparcia operacyjnego (OSS).
⬤ Wdrożenie AutoML w chmurze korporacyjnej do wdrażania modeli ML i potoków.
⬤ Budowanie przejrzystych potoków AutoML.
⬤ Zrozumienie zautomatyzowanej inżynierii cech i prognozowania szeregów czasowych.
⬤ Automatyzacja zadań modelowania data science w celu łatwego wdrażania rozwiązań ML i skupienia się na bardziej złożonych problemach.
Dla kogo jest ta książka:
Ta książka przyda się naukowcom zajmującym się danymi, programistom uczenia maszynowego, entuzjastom sztucznej inteligencji lub każdemu, kto chce automatycznie budować modele uczenia maszynowego przy użyciu funkcji oferowanych przez narzędzia open source, Microsoft Azure Machine Learning, AWS i Google Cloud Platform. Aby jak najlepiej wykorzystać tę książkę, wymagana jest wiedza na poziomie początkującym w zakresie budowania modeli ML. Wcześniejsze doświadczenie w korzystaniu z chmury Enterprise jest korzystne.
