Apprendimento automatico delle macchine: Ottimizzazione degli iperparametri, ricerca di architetture neurali e selezione di algoritmi con piattaforme cloud

Recensioni dei lettori

Il libro sull'Automated Machine Learning (AutoML) fornisce un'ampia copertura delle soluzioni AutoML sia open-source che commerciali, con particolare attenzione alle principali piattaforme cloud come Microsoft Azure, AWS e Google Cloud. Si tratta di una risorsa preziosa per i principianti e i professionisti esperti di ML, con esempi organizzati e framework per la comprensione dell'implementazione di AutoML. Tuttavia, alcuni recensori hanno segnalato la mancanza di profondità nelle spiegazioni tecniche e problemi di leggibilità delle schermate utilizzate nel testo.

⬤ Copertura completa dei concetti e degli strumenti AutoML sulle principali piattaforme cloud.
⬤ Struttura organizzata con esempi chiari e implementazioni pratiche.
⬤ Ottimo sia per i principianti che per i professionisti esperti che desiderano automatizzare le attività di apprendimento automatico.
⬤ Spiega il contesto, i vantaggi e gli scenari per un uso efficace di AutoML.
⬤ Offre un'ampia panoramica dell'ecosistema con opzioni sia open-source che commerciali.

⬤ Mancano spiegazioni tecniche approfondite; alcuni concetti sono presentati brevemente.
⬤ Le schermate sono spesso difficili da leggere, come segnalato da diversi recensori.
⬤ Potrebbe non fornire esempi sufficientemente dettagliati per specifiche piattaforme AutoML, lasciando agli utenti la necessità di una guida più approfondita.
⬤ Alcune sezioni potrebbero beneficiare di una maggiore chiarezza organizzativa e di maggiori dettagli, in particolare nel contesto aziendale.

(basato su 14 recensioni dei lettori)

Titolo originale:

Automated Machine Learning: Hyperparameter optimization, neural architecture search, and algorithm selection with cloud platforms

Contenuto del libro:

Conoscere l'apprendimento automatico delle macchine e adottare un approccio pratico all'implementazione di AutoML e alle metodologie associate.

Caratteristiche principali:

⬤ Prendete confidenza con AutoML utilizzando OSS, Azure, AWS, GCP o qualsiasi piattaforma di vostra scelta.

⬤ Eliminare i compiti banali dell'ingegneria dei dati e ridurre gli errori umani nei modelli di apprendimento automatico.

⬤ Scoprire come rendere l'apprendimento automatico accessibile a tutti gli utenti per promuovere processi decentralizzati.

Descrizione del libro:

Ogni ingegnere dell'apprendimento automatico ha a che fare con sistemi dotati di iperparametri e il compito più elementare dell'apprendimento automatico (AutoML) è quello di impostare automaticamente questi iperparametri per ottimizzare le prestazioni. Le più recenti reti neurali profonde dispongono di un'ampia gamma di iperparametri per l'architettura, la regolarizzazione e l'ottimizzazione, che possono essere personalizzati in modo efficace per risparmiare tempo e fatica.

Questo libro passa in rassegna le tecniche di base dell'ingegneria automatizzata delle caratteristiche, la messa a punto dei modelli e degli iperparametri, gli approcci basati sul gradiente e molto altro ancora. Scoprirete diversi modi di implementare queste tecniche negli strumenti open source e poi imparerete a usare gli strumenti aziendali per implementare l'AutoML nei tre principali fornitori di servizi cloud: Microsoft Azure, Amazon Web Services (AWS) e Google Cloud Platform. Man mano che si procede, si esplorano le caratteristiche delle piattaforme cloud AutoML costruendo modelli di apprendimento automatico con AutoML. Il libro vi mostrerà anche come sviluppare modelli accurati automatizzando le attività lunghe e ripetitive del ciclo di vita dello sviluppo dell'apprendimento automatico.

Alla fine di questo libro sull'apprendimento automatico, sarete in grado di costruire e distribuire modelli AutoML che non solo sono accurati, ma aumentano anche la produttività, consentono l'interoperabilità e riducono al minimo le attività di feature engineering.

Cosa imparerete:

⬤ Esplorare i fondamenti di AutoML, i metodi e le tecniche sottostanti.

⬤ Valutare aspetti di AutoML come la selezione degli algoritmi, la featurizzazione automatica e la regolazione degli iperparametri in uno scenario applicato.

⬤ Scoprire la differenza tra cloud e sistemi di supporto alle operazioni (OSS).

⬤ Implementare AutoML nel cloud aziendale per distribuire modelli e pipeline di ML.

⬤ Costruire pipeline AutoML spiegabili e trasparenti.

⬤ Comprendere l'ingegneria automatizzata delle caratteristiche e la previsione delle serie temporali.

⬤ Automatizzare le attività di modellazione della scienza dei dati per implementare facilmente soluzioni di ML e concentrarsi su problemi più complessi.

Per chi è questo libro:

I data scientist cittadini, gli sviluppatori di machine learning, gli appassionati di intelligenza artificiale o chiunque voglia costruire automaticamente modelli di machine learning utilizzando le funzionalità offerte da strumenti open source, Microsoft Azure Machine Learning, AWS e Google Cloud Platform troveranno utile questo libro. Per trarre il meglio da questo libro è necessaria una conoscenza di base della costruzione di modelli di ML. Una precedente esperienza nell'uso di Enterprise Cloud è utile.