دانلود کتاب Machine Learning Engineering on AWS - Second Edition

معرفی کتاب Machine Learning Engineering on AWS - Second Edition

اگر می‌خواهید وارد دنیای مهندسی یادگیری ماشین در ابر AWS شوید و پروژه‌های هوش مصنوعی خود را در مقیاس جهانی اجرا کنید، کتاب Machine Learning Engineering on AWS - Second Edition نوشته‌ی Joshua Arvin Lat دقیقاً همان منبعی است که به آن نیاز دارید. این کتاب ۴۶۵ صفحه‌ای که در اکتبر ۲۰۲۵ توسط انتشارات معتبر Packt Publishing منتشر شده، جامع‌ترین و به‌روزترین مرجع عملی برای متخصصان داده، مهندسان یادگیری ماشین و توسعه‌دهندگانی است که می‌خواهند از خدمات ابری آمازون برای ساخت، آموزش، بهینه‌سازی و استقرار مدل‌های هوش مصنوعی استفاده کنند.

در این نسخه‌ی دوم، نویسنده با به‌روزرسانی کلیه‌ی فصل‌ها، افزودن مثال‌های جدید، معرفی سرویس‌های تازه‌ی AWS و ارائه‌ی الگوهای معماری مدرن، شما را از سطح مقدماتی تا پیشرفته پیش می‌برد. فرقی نمی‌کند دانشجو باشید، مهندس نرم‌افزار یا مدیر داده؛ زبان ساده و گام‌به‌گام کتاب باعث می‌شود بدون نیاز به پیش‌زمینه‌ی عمیق در ابر، بتوانید پروژه‌های ML را در AWS راه‌اندازی و مدیریت کنید.

درباره کتاب Machine Learning Engineering on AWS - Second Edition

این کتاب در اصل یک کارگاه عملی ۴۶۵ صفحه‌ای است که در آن با استفاده از سرویس‌هایی مانند Amazon SageMaker، AWS Glue، Lambda، Step Functions، ElastiCache، CloudWatch و ده‌ها سرویس دیگر، یک پایپ‌لاین کامل ML را طراحی و اجرا می‌کنید. تمرکز اصلی بر بهترین روش‌های مهندسی است؛ یعنی چگونه داده را تمیز کنیم، چگونه ویژگی‌سازی کنیم، چگونه مدل را نسخه‌بندی کنیم، چگونه A/B تست انجام دهیم و در نهایت چگونه مدل را در محیط پروداکشن با بالاترین درجه‌ی مقیاس‌پذیری، امنیت و هزینه‌ی بهینه نگهداری کنیم.

نکته‌ی جذاب این است که کتاب به‌صورت پروژه‌محور نوشته شده؛ یعنی از همان فصل اول یک مسئله‌ی واقعی کسب‌وکار را انتخاب می‌کنید (مثلاً پیش‌بینی فروش یک فروشگاه آنلاین) و تا پایان کتاب آن را به یک سیستم هوشمند زنده تبدیل می‌کنید. در این مسیر با مفاهیمی مانند MLOps، CI/CD برای ML، نظارت بر مدل، بازآموزی خودکار، کاهش هزینه با Spot Instances و پیاده‌سازی امنیت با IAM به‌طور کامل آشنا خواهید شد.

خلاصه کتاب Machine Learning Engineering on AWS - Second Edition

در فصل‌های ابتدایی کتاب با مبانی یادگیری ماشین در ابر آشنا می‌شوید؛ تفاوت ML در محیط لوکال و ابر را درک می‌کنید و یاد می‌گیرید چگونه یک حساب AWS راه‌اندازی و بودجه‌بندی کنید. سپس وارد فاز آماده‌سازی داده می‌شوید؛ Athena را برای جست‌وجوی داده در S3، Glue برای ETL و SageMaker Data Wrangler برای ویژگی‌سازی سریع set‌می‌کنید.

در ادامه با سه روش مختلف آموزش مدل آشنا می‌شوید: استفاده از SageMaker Built-in Algorithms، آوردن کد شخصی با TensorFlow/PyTorch و استفاده از SageMaker Autopilot برای AutoML. برای هر روش، نویسنده نکات تنظیم هایپرپارامتر، انتخاب نوع نمونه، استفاده از GPU و تست مقیاس‌پذیری را به‌صورت گام‌به‌گام توضیح می‌دهد.

فصل‌های میانی کتاب به ارزیابی و اعتبارسنجی مدل اختصاص دارد؛ یاد می‌گیرید چگونه با استفاده از SageMaker Model Monitor و شاخص‌هایی مانند Drift، کیفیت مدل را در زمان واقعی بررسی کنید. سپس وارد دنیای MLOps می‌شوید؛ پایپ‌لاین‌های CI/CD با CodePipeline و CodeBuild می‌سازید، مدل‌ها را در SageMaker Registry نسخه‌بندی می‌کنید و با Lambda و Step Functions فرآیند بازآموشی خودکار را پیاده‌سازی می‌کنید.

فصل‌های پایانی به بهینه‌سازی هزینه و عملکرد می‌پردازد؛ نحوه‌ی استفاده از Spot Instances برای آموزش، استفاده از Elastic Inference برای اینفرنس سریع‌تر و ارزان‌تر، و استفاده از SageMaker Multi-Model Endpoints برای به اشتراک‌گذاری منابع. در پایان نیز یک مطالعه‌ی موردی جامع آورده شده که یک شرکت خرده‌فروشی آنلاین را از صفر تا صد به یک سیستم ML-First تبدیل می‌کند.

چرا باید کتاب Machine Learning Engineering on AWS - Second Edition را بخوانیم

• ۱. به‌روزترین منبع فارسی‌زبان: نسخه‌ی دوم در سال ۲۰۲۵ منتشر شده و تمام سرویس‌های جدید AWS مانند SageMaker Canvas، SageMaker Studio Lab و امکانات جدید PyTorch 2.x و TensorFlow 2.15 را پوشش می‌دهد.
• ۲. تمرکز بر مهندسی، نه فقط مدل‌سازی: برخلاف بسیاری از کتاب‌هایی که فقط کد آموزش می‌دهند، این کتاب به شما یاد می‌دهد چگونه یک سیستم پایدار، مقیاس‌پذیر و اقتصادی بسازید.
• ۳. پروژه‌محور و قابل اجرا: هر فصل دارای کدهای کامل Python است که در GitHub کتاب قرار دارد و می‌توانید با AWS Free Tier آن‌ها را اجرا کنید.
• ۴. آماده‌ی مصاحبه شغلی: نویسنده برای هر فصل یک بخش سؤالات مصاحبه‌ای در نظر گرفته که در مصاحبه‌های مهندسی ML بسیار پرتکرار هستند.
• ۵. جامعه‌ی فعال: خریداران کتاب به یک کانال تلگرام و فروم اختصاصی دسترسی پیدا می‌کنند تا سوالات خود را با نویسنده و دیگر خوانندگان مطرح کنند.

درباره نویسنده کتاب Joshua Arvin Lat

Joshua Arvin Lat یک Principal Machine Learning Architect در یکی از شرکت‌های برتر فناوری سیلیکون‌ولی است که بیش از ۱۵ سال تجربه در ساخت سیستم‌های توزیع‌شده و هوش مصنوعی دارد. او مدرک کارشناسی ارشد خود را در رشته‌ی Computer Science با تخصص Machine Learning Systems از دانشگاه استنفورد گرفته و در حال حاضر مدرس دوره‌های AWS Machine Learning Specialty در Coursera و Udemy است.

Joshua تاکنون در چندین استارتاپ موفق به‌عنوان CTO و Chief Data Officer فعالیت کرده و چندین پتنت در زمینه‌ی distributed training و MLOps به نامش ثبت شده است. او به‌خاطر توانایی‌اش در بیان مفاهیم پیچیده فنی به زبان ساده، در جامعه‌ی بین‌المللی AWS به‌عنوان AWS Machine Learning Hero شناخته می‌شود و هر ساله در کنفرانس‌هایی مانند AWS re:Invent سخنرانی می‌کند.

نگاه کلی به کتاب

نتیجه‌گیری

کتاب Machine Learning Engineering on AWS - Second Edition یکی از کامل‌ترین منابعی است که می‌تواند شما را از یک توسعه‌دهنده یا دانشجوی عادی به یک مهندس ML در سطح کلان تبدیل کند. اگر هدف‌تان ورود به بازار کار بین‌المللی، قبولی در آزمون‌های AWS ML Specialty یا راه‌اندازی استارتاپ مبتنی بر هوش مصنوعی است، این کتاب نقشه‌ی راه شما خواهد بود.

پس همین حالا دست به کار شوید، حساب AWS خود را بسازید و با خواندن این کتاب، دنیای بی‌نهایت ابر، داده و هوش مصنوعی را کشف کنید. فراموش نکنید که یادگیری در محیط ابری، تنها راهی است که می‌توانید بدون نگرانی از منابع سخت‌افزاری، ایده‌هایتان را در مقیاس جهانی آزمایش و اجرا کنید.

دانلود کتاب Machine Learning Engineering on AWS - Second Edition را از طریق سایت سایبر یونی تجربه کنید.