Avis des lecteurs
Résumé:Le livre sur l'apprentissage automatique des machines (AutoML) fournit une couverture complète des solutions AutoML open-source et commerciales, en se concentrant particulièrement sur les principales plates-formes cloud telles que Microsoft Azure, AWS et Google Cloud. Il s'agit d'une ressource précieuse pour les débutants et les praticiens expérimentés de l'apprentissage automatique, avec des exemples et des cadres organisés pour comprendre le déploiement d'AutoML. Cependant, certains évaluateurs ont mentionné le manque de profondeur des explications techniques et des problèmes de lisibilité des captures d'écran utilisées dans le texte.
Avantages:⬤ Couverture complète des concepts et outils AutoML sur les principales plates-formes cloud.
⬤ Structure organisée avec des exemples clairs et des mises en œuvre pratiques.
⬤ Convient aussi bien aux débutants qu'aux praticiens expérimentés qui cherchent à automatiser les tâches d'apprentissage automatique.
⬤ Explique le contexte, les avantages et les scénarios d'utilisation efficace d'AutoML.
⬤ Offre une large vue d'ensemble de l'écosystème avec des options open-source et commerciales.
⬤ Manque d'explications techniques approfondies ; certains concepts sont présentés brièvement.
⬤ Les captures d'écran sont souvent difficiles à lire, comme l'ont mentionné plusieurs évaluateurs.
⬤ Ne fournit pas suffisamment d'exemples détaillés pour les plates-formes AutoML spécifiques, laissant les utilisateurs dans l'attente de conseils plus approfondis.
⬤ Certaines sections pourraient bénéficier d'une plus grande clarté organisationnelle et de plus de détails, en particulier dans le contexte de l'entreprise.
(basé sur 14 avis de lecteurs)
Titre original :
Automated Machine Learning: Hyperparameter optimization, neural architecture search, and algorithm selection with cloud platforms
Contenu du livre :
Se familiariser avec l'apprentissage automatique et adopter une approche pratique de la mise en œuvre d'AutoML et des méthodologies associées.
Caractéristiques principales :
⬤ Prenez de vitesse AutoML en utilisant OSS, Azure, AWS, GCP, ou toute autre plateforme de votre choix.
⬤ Les tâches banales de l'ingénierie des données sont éliminées et les erreurs humaines dans les modèles d'apprentissage automatique sont réduites.
⬤ Découvrez comment rendre l'apprentissage automatique accessible à tous les utilisateurs afin de promouvoir des processus décentralisés.
Description du livre :
Tous les ingénieurs en apprentissage automatique ont affaire à des systèmes dotés d'hyperparamètres, et la tâche la plus élémentaire de l'apprentissage automatique (AutoML) consiste à définir automatiquement ces hyperparamètres afin d'optimiser les performances. Les réseaux neuronaux profonds les plus récents disposent d'un large éventail d'hyperparamètres pour leur architecture, leur régularisation et leur optimisation, qui peuvent être personnalisés efficacement pour économiser du temps et des efforts.
Ce livre passe en revue les techniques sous-jacentes de l'ingénierie automatisée des caractéristiques, l'ajustement des modèles et des hyperparamètres, les approches basées sur le gradient, et bien plus encore. Vous découvrirez différentes façons de mettre en œuvre ces techniques dans des outils open source, puis apprendrez à utiliser des outils d'entreprise pour mettre en œuvre AutoML dans trois grands fournisseurs de services en nuage : Microsoft Azure, Amazon Web Services (AWS) et Google Cloud Platform. Au fur et à mesure de votre progression, vous explorerez les fonctionnalités des plates-formes AutoML dans le cloud en construisant des modèles d'apprentissage automatique à l'aide d'AutoML. Ce livre vous montrera également comment développer des modèles précis en automatisant les tâches chronophages et répétitives du cycle de vie du développement de l'apprentissage automatique.
À la fin de ce livre sur l'apprentissage automatique, vous serez en mesure de construire et de déployer des modèles AutoML qui sont non seulement précis, mais qui augmentent également la productivité, permettent l'interopérabilité et minimisent les tâches d'ingénierie des fonctionnalités.
Ce que vous apprendrez
⬤ Explorer les principes fondamentaux d'AutoML, les méthodes et les techniques sous-jacentes.
⬤ Les aspects d'AutoML tels que la sélection d'algorithmes, la featurisation automatique et le réglage des hyperparamètres dans un scénario appliqué.
⬤ Découvrez la différence entre le cloud et les systèmes d'aide à l'exploitation (OSS).
⬤ Mettre en œuvre AutoML dans les nuages de l'entreprise pour déployer des modèles et des pipelines de ML.
⬤ Construire des pipelines AutoML explicables et transparents.
⬤ Comprendre l'ingénierie automatisée des caractéristiques et la prévision des séries temporelles.
⬤ Les tâches de modélisation de la science des données sont automatisées afin d'implémenter facilement des solutions de ML et de se concentrer sur des problèmes plus complexes.
A qui s'adresse ce livre :
Ce livre sera utile aux data scientists, aux développeurs d'apprentissage automatique, aux passionnés d'intelligence artificielle et à tous ceux qui cherchent à construire automatiquement des modèles d'apprentissage automatique en utilisant les fonctionnalités offertes par les outils open source, Microsoft Azure Machine Learning, AWS et Google Cloud Platform. Des connaissances de niveau débutant en matière de construction de modèles d'apprentissage automatique sont nécessaires pour tirer le meilleur parti de ce livre. Une expérience préalable dans l'utilisation de Enterprise Cloud est bénéfique.
Autres informations sur le livre :
| ISBN : | 9781800567689 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
