Automated Machine Learning in Action

بهینه‌سازی هر مرحله از خطوط لوله یادگیری ماشین شما با اجزای خودکار قدرتمند و ابزارهای پیشرفته مانند AutoKeras و KerasTuner.

در Automated Machine Learning in Action شما یاد خواهید گرفت که چگونه:

• مدل یادگیری ماشین خود را با تنظیم خودکار هایپرپارامترها بهبود دهید
• اجزای بهینه برای ساخت و بهبود خطوط لوله خود را انتخاب کنید
• از ابزارهای AutoML مانند AutoKeras و KerasTuner استفاده کنید
• الگوریتم‌های جستجو برای پیدا کردن بهترین جزء برای وظیفه یادگیری ماشین خود طراحی و پیاده‌سازی کنید
• فرآیند AutoML را با استفاده از تکنیک‌هایی مانند پیش‌آموزش مدل و داده‌های موازی تسریع کنید

Automated Machine Learning in Action نشان می‌دهد که چگونه می‌توانید اجزای زمان‌بر طراحی و تنظیم سیستم‌های یادگیری ماشین خود را خودکار کنید. این کتاب با سبکی غیر ریاضیاتی و قابل دسترس نوشته شده و پر از مثال‌های عملی برای اعمال تکنیک‌های AutoML در هر مرحله از یک خط لوله است. حتی افرادی که در یادگیری ماشین تازه‌کار هستند، می‌توانند از این کتاب استفاده کنند! اگر شما به یادگیری ماشین آشنا نیستید، کتاب شما را با مبانی یادگیری ماشین آشنا می‌کند. متخصصین با تجربه نیز از یادگیری چگونگی استفاده از ابزارهای خودکار مانند AutoKeras و KerasTuner برای ایجاد خطوط لوله‌ای که به‌طور خودکار بهترین رویکرد را برای وظیفه شما انتخاب می‌کنند یا هر فضای جستجوی سفارشی با هایپرپارامترهای تعریف‌شده توسط کاربر را تنظیم می‌کنند، لذت خواهند برد. این امر بار تنظیم دستی را از دوش شما برداشته و فرآیند را ساده می‌کند.

درباره فناوری

وظایف یادگیری ماشین مانند پیش‌پردازش داده‌ها، انتخاب ویژگی‌ها و بهینه‌سازی مدل می‌توانند وقت‌گیر و بسیار فنی باشند. یادگیری ماشین خودکار یا AutoML، راه‌حل‌های پیش‌ساخته‌ای برای این کارها اعمال می‌کند و خطاهایی که ناشی از پردازش دستی است را از بین می‌برد. با تسریع و استانداردسازی کارها در سراسر خط لوله یادگیری ماشین، AutoML زمان ارزشمند داده‌دان‌ها را آزاد می‌کند و به کاربران کم‌تجربه این امکان را می‌دهد که یادگیری ماشین را به‌طور مؤثر به کار بگیرند.

درباره کتاب

Automated Machine Learning in Action به شما نشان می‌دهد که چگونه زمان خود را صرفه‌جویی کرده و نتایج بهتری با استفاده از AutoML به دست آورید. در طول کتاب، شما یاد خواهید گرفت که چگونه هر جزء از یک خط لوله یادگیری ماشین می‌تواند با استفاده از AutoKeras و KerasTuner خودکار شود. کتاب پر از تکنیک‌هایی است که برای خودکار کردن طبقه‌بندی، رگرسیون، افزایش داده‌ها و بیشتر طراحی شده است. نتیجه آن: سیستم‌های یادگیری ماشین شما قادر خواهند بود خود را با کمترین کار دستی تنظیم کنند.

محتویات کتاب

• تنظیم خودکار هایپرپارامترهای مدل
• انتخاب اجزای بهینه برای خط لوله
• انتخاب مدل‌ها و ویژگی‌های مناسب
• یادگیری الگوریتم‌های جستجو و استراتژی‌های تسریع

درباره خواننده

این کتاب برای تازه‌کارهای یادگیری ماشین که در حال ساخت اولین خطوط لوله خود هستند و مهندسان باتجربه یادگیری ماشین که می‌خواهند وظایف را خودکار کنند، مناسب است.

درباره نویسندگان

دکتر Qingquan Song، دکتر Haifeng Jin و دکتر Xia “Ben” Hu خالقان کتابخانه AutoKeras برای یادگیری عمیق خودکار هستند.

نقدها

“کار عالی! اگر می‌خواهید یادگیری ماشین خودکار را به‌طور کامل تسلط پیدا کنید، این راهنمایی است که شما به آن نیاز دارید.”

— Stanley Anozie, Cloudyrion

“مختصر و قابل هضم… از ابتدا دست خواننده را می‌گیرد و او را از طریق مفاهیم AutoML راهنمایی می‌کند. بسیار توصیه می‌شود!”

— Dimitris Polychronopoulos, AstraZeneca

“سرانجام مرجع قطعی برای AutoML با هم کاربردهای دنیای واقعی و هم مبانی نظری.”

— Marco Carnini, Features Analytics

“پر از بینش در یک موضوع پیشرفته. متخصصین یادگیری ماشین مهارت‌های خود را به سطح بالاتری خواهند برد.”

— Viton Vitanis, Viseca Payment Services

Optimize every stage of your machine learning pipelines with powerful automation components and cutting-edge tools like AutoKeras and KerasTuner.

In Automated Machine Learning in Action you will learn how to:

• Improve a machine learning model by automatically tuning its hyperparameters
• Pick the optimal components for creating and improving your pipelines
• Use AutoML toolkits such as AutoKeras and KerasTuner
• Design and implement search algorithms to find the best component for your ML task
• Accelerate the AutoML process with data-parallel, model pretraining, and other techniques

Automated Machine Learning in Action reveals how you can automate the burdensome elements of designing and tuning your machine learning systems. It’s written in a math-lite and accessible style, and filled with hands-on examples for applying AutoML techniques to every stage of a pipeline. AutoML can even be implemented by machine learning novices! If you’re new to ML, you’ll appreciate how the book primes you on machine learning basics. Experienced practitioners will love learning how automated tools like AutoKeras and KerasTuner can create pipelines that automatically select the best approach for your task, or tune any customized search space with user-defined hyperparameters, which removes the burden of manual tuning.

About the technology

Machine learning tasks like data pre-processing, feature selection, and model optimization can be time-consuming and highly technical. Automated machine learning, or AutoML, applies pre-built solutions to these chores, eliminating errors caused by manual processing. By accelerating and standardizing work throughout the ML pipeline, AutoML frees up valuable data scientist time and enables less experienced users to apply machine learning effectively.

About the book

Automated Machine Learning in Action shows you how to save time and get better results using AutoML. As you go, you’ll learn how each component of an ML pipeline can be automated with AutoKeras and KerasTuner. The book is packed with techniques for automating classification, regression, data augmentation, and more. The payoff: Your ML systems will be able to tune themselves with little manual work.

What’s inside

• Automatically tune model hyperparameters
• Pick the optimal pipeline components
• Select appropriate models and features
• Learn different search algorithms and acceleration strategies

About the reader

For ML novices building their first pipelines and experienced ML engineers looking to automate tasks.

About the author

Drs. Qingquan Song, Haifeng Jin, and Xia “Ben” Hu are the creators of the AutoKeras automated deep learning library.

Table of Contents

PART 1: FUNDAMENTALS OF AUTOML

1. From Machine Learning to Automated Machine Learning

2. The End-to-End Pipeline of an ML Project

3. Deep Learning in a Nutshell

PART 2: AUTOML IN PRACTICE

4. Automated Generation of End-to-End ML Solutions

5. Customizing the Search Space by Creating AutoML Pipelines

6. AutoML with a Fully Customized Search Space

PART 3: ADVANCED TOPICS IN AUTOML

7. Customizing the Search Method of AutoML

8. Scaling Up AutoML

9. Wrapping Up

Review

“A brilliant job! If you want to master automated machine learning then this is the guide you need.”

—Stanley Anozie, Cloudyrion

“Concise, easy-to-digest…holds the reader’s hand from the very beginning and walks them through the concepts of AutoML. Highly recommended!”

—Dimitris Polychronopoulos, AstraZeneca

“Finally, the definitive reference for AutoML with both real-world applications and theoretical bases.”

—Marco Carnini, Features Analytics

“Full of insights on a cutting-edge topic. Machine learning professionals will bring their skills to the next level.”

—Viton Vitanis, Viseca Payment Services

About the Author

Drs. Qingquan Song, Haifeng Jin, and Xia “Ben” Hu are the creators of the AutoKeras automated deep learning library. Dr. Song is currently a machine learning and relevance engineer in the AI Foundation team at LinkedIn. Dr. Jin is a software engineer on the Keras team at Google. They have both published papers at major data mining and machine learning conferences and journals. Dr. Hu is an associate professor at Rice University in the Department of Computer Science, whose work has been utilized by TensorFlow, Apple, and Bing.