توضیحات
Get started with Ray, the open source distributed computing framework that simplifies the process of scaling compute-intensive Python workloads. With this practical book, Python programmers, data engineers, and data scientists will learn how to leverage Ray locally and spin up compute clusters. You’ll be able to use Ray to structure and run machine learning programs at scale.
Authors Max Pumperla, Edward Oakes, and Richard Liaw show you how to build machine learning applications with Ray. You’ll understand how Ray fits into the current landscape of machine learning tools and discover how Ray continues to integrate ever more tightly with these tools. Distributed computation is hard, but by using Ray you’ll find it easy to get started.
Distributed computing is a fascinating topic. Looking back at the early days of computing, I cant help but be impressed by the fact that so many companies distribute their workloads across clusters of computers. Its not only impressive because we have figured out efficient ways to do so, but its also becoming a necessity. Individual computers keep getting faster and more powerful, and yet our need for large scale computing keeps exceeding what single machines can do.
Ray simplifies distributed computing for non-experts and makes it easy to take Python scripts and scale them across multiple nodes. Ray is great at scaling both data and compute heavy workloads, such as data transformations and model training, and targets machine learning (ML) workloads with the need to scale. The addition of the Ray AI Runtime (AIR) with the release of Ray 2.0 in August 2022 increased the support for complex ML workloads in Ray even further.
Learn how to build your first distributed applications with Ray Core
Conduct hyperparameter optimization with Ray Tune
Use the Ray RLlib library for reinforcement learning
Manage distributed training with the Ray Train library
Use Ray to perform data processing with Ray Datasets
Learn how work with Ray Clusters and serve models with Ray Serve
Build end-to-end machine learning applications with Ray AIR
Who Should Read This Book:
Its likely that you picked up this book because youre interested in some aspects of Ray. Maybe youre a distributed systems engineer who wants to know how Rays engine works. You might also be a software developer interested in picking up a new technology. Or you could be a data engineer who wants to evaluate how Ray compares to similar tools. You could also be a machine learning practitioner or data scientist who needs to find ways to scale experiments.
No matter your concrete role, the common denominator to get the most out of this book is to feel comfortable programming in Python. This books examples are written in Python, and an intermediate knowledge of the language is a requirement. Explicit is better than implicit, as you know full well as a Pythonista. So, let us be explicit by saying that knowing Python implies to me that you know how to use the command line on your system, how to get help when stuck, and how to set up a programming environment on your own.
If youve never worked with distributed systems before, thats OK. We cover all the basics you need to get started with that in the book. On top of that, you can run most code examples presented here on your laptop. Covering the basics means that we cant go into too much detail about distributed systems. This book is ultimately focused on application developers using Ray, specifically for Data Science and ML.
For the later chapters of this book, youll need some familiarity with ML, but we dont expect you to have worked in the field. In particular, you should have a basic understanding of the ML paradigm and how it differs from traditional programming. You should also know the basics of using NumPy and Pandas. Also, you should at least feel comfortable reading examples using the popular TensorFlow and PyTorch libraries. Its enough to follow the flow of the code, on the API level, but you dont need to know how to write your own models. We cover examples using both dominant deep learning libraries (TensorFlow and PyTorch) to illustrate how you can use Ray for ML workloads, regardless of your preferred framework.
We cover a lot of ground in advanced ML topics, but the main focus is on Ray as a technology and how to use it. The ML examples we discuss might be new to you and could require a second reading, but you can still focus on Rays API and how to use it in practice.
————————————————————–
ترجمه ماشینی :
با Ray، چارچوب محاسباتی توزیعشده منبع باز که فرآیند مقیاسگذاری حجمهای کاری فشرده پایتون را ساده میکند، شروع کنید. با این کتاب کاربردی، برنامه نویسان پایتون، مهندسان داده و دانشمندان داده یاد می گیرند که چگونه از Ray به صورت محلی استفاده کنند و خوشه های محاسباتی را بچرخانند. شما می توانید از Ray برای ساختار و اجرای برنامه های یادگیری ماشین در مقیاس استفاده کنید. نویسندگان Max Pumperla، Edward Oakes و Richard Liaw به شما نشان میدهند که چگونه برنامههای یادگیری ماشین را با Ray بسازید. شما خواهید فهمید که Ray چگونه با چشم انداز فعلی ابزارهای یادگیری ماشینی سازگار است و خواهید فهمید که چگونه Ray به ادغام شدیدتر با این ابزارها ادامه می دهد. محاسبات توزیع شده سخت است، اما با استفاده از Ray، شروع به کار را آسان خواهید کرد. محاسبات توزیع شده موضوعی جذاب است. با نگاهی به روزهای اولیه محاسبات، نمی توانم تحت تاثیر این واقعیت قرار بگیرم که بسیاری از شرکت ها حجم کار خود را در میان خوشه های کامپیوتری توزیع می کنند. این نه تنها چشمگیر است زیرا ما راه های کارآمدی برای انجام آن پیدا کرده ایم، بلکه به یک ضرورت تبدیل شده است. رایانههای فردی سریعتر و قدرتمندتر میشوند، و با این حال نیاز ما به محاسبات در مقیاس بزرگ بیش از آنچه که ماشینها میتوانند انجام دهند بیشتر است. Ray محاسبات توزیع شده را برای افراد غیر متخصص ساده می کند و گرفتن اسکریپت های پایتون و مقیاس آنها را در چندین گره آسان می کند. Ray در مقیاسبندی دادهها و محاسبه بارهای کاری سنگین، مانند تبدیل دادهها و آموزش مدل، عالی است و بارهای کاری یادگیری ماشین (ML) را با نیاز به مقیاسسازی هدف قرار میدهد. اضافه شدن Ray AI Runtime (AIR) با انتشار Ray 2.0 در آگوست 2022، پشتیبانی از بارهای کاری پیچیده ML در Ray را بیش از پیش افزایش داد. یاد بگیرید چگونه اولین برنامه های توزیع شده خود را با Ray Core بسازید بهینه سازی هایپرپارامتر را با Ray Tune انجام دهید از کتابخانه Ray RLlib برای یادگیری تقویتی استفاده کنید آموزش توزیع شده را با کتابخانه Ray Train مدیریت کنید برای انجام پردازش داده ها با Ray Datasets از Ray استفاده کنید Learn نحوه کار با Ray Cluster و ارائه مدلها با Ray Serve ساخت برنامههای یادگیری ماشینی سرتاسر با Ray AIR \ چه کسی باید این کتاب را بخواند: احتمالاً این کتاب را انتخاب کردهاید زیرا به برخی از جنبههای Ray علاقه دارید. شاید شما یک مهندس سیستم های توزیع شده باشید که می خواهد بداند موتور Rays چگونه کار می کند. شما همچنین ممکن است یک توسعه دهنده نرم افزار باشید که علاقه مند به انتخاب یک فناوری جدید است. یا میتوانید یک مهندس داده باشید که میخواهد نحوه مقایسه Ray با ابزارهای مشابه را ارزیابی کند. شما همچنین میتوانید یک متخصص یادگیری ماشین یا دانشمند داده باشید که باید راههایی برای مقیاسبندی آزمایشها پیدا کند. بدون توجه به نقش مشخص شما، وجه مشترک برای به دست آوردن بهترین نتیجه از این کتاب این است که احساس راحتی در برنامه نویسی در پایتون داشته باشید. نمونههای این کتاب به زبان پایتون نوشته شدهاند و دانش متوسط از زبان الزامی است. همانطور که به عنوان یک Pythonista به خوبی می دانید، واضح بهتر از ضمنی است. بنابراین، اجازه دهید به صراحت بگوییم که دانستن Python برای من به این معنی است که شما میدانید چگونه از خط فرمان در سیستم خود استفاده کنید، چگونه در هنگام گیر کردن کمک بگیرید، و چگونه یک محیط برنامهنویسی را خودتان تنظیم کنید. اگر قبلاً با سیستم های توزیع شده کار نکرده اید، اشکالی ندارد. ما تمام اصول اولیه ای که برای شروع با آن نیاز دارید را در کتاب پوشش می دهیم. علاوه بر این، می توانید اکثر نمونه های کد ارائه شده در اینجا را روی لپ تاپ خود اجرا کنید. پوشش اصولی به این معنی است که ما نمیتوانیم به جزئیات بیش از حد در مورد سیستمهای توزیعشده بپردازیم. این کتاب در نهایت بر روی توسعه دهندگان برنامه با استفاده از Ray، به طور خاص برای Data Science و ML متمرکز شده است. برای فصل های بعدی این کتاب، به آشنایی با ML نیاز دارید، اما ما انتظار نداریم که در این زمینه کار کرده باشید. به طور خاص، شما باید درک اولیه ای از پارادایم ML و تفاوت آن با برنامه نویسی سنتی داشته باشید. همچنین باید اصول استفاده از NumPy و Pandas را بدانید. همچنین، حداقل باید با استفاده از کتابخانه های محبوب TensorFlow و PyTorch از خواندن نمونه ها احساس راحتی کنید. کافی است جریان کد را در سطح API دنبال کنید، اما نیازی نیست بدانید که چگونه مدل های خود را بنویسید. ما نمونههایی را با استفاده از هر دو کتابخانه یادگیری عمیق غالب (TensorFlow و PyTorch) پوشش میدهیم تا نشان دهیم چگونه میتوانید از Ray برای بارهای کاری ML استفاده کنید، صرف نظر از چارچوب ترجیحیتان. ما زمینه های زیادی را در موضوعات پیشرفته ML پوشش می دهیم، اما تمرکز اصلی بر روی Ray به عنوان یک فناوری و نحوه استفاده از آن است. مثالهای ML که در مورد آن بحث میکنیم ممکن است برای شما جدید باشد و نیاز به مطالعه دوم داشته باشد، اما همچنان میتوانید روی Rays API و نحوه استفاده از آن در عمل تمرکز کنید.
tag : دانلود کتاب پرتو یادگیری: پایتون توزیعشده انعطافپذیر برای یادگیری ماشین (نسخه نهایی) , Download پرتو یادگیری: پایتون توزیعشده انعطافپذیر برای یادگیری ماشین (نسخه نهایی) , دانلود پرتو یادگیری: پایتون توزیعشده انعطافپذیر برای یادگیری ماشین (نسخه نهایی) , Download Learning Ray: Flexible Distributed Python for Machine Learning (Final Release) Book , پرتو یادگیری: پایتون توزیعشده انعطافپذیر برای یادگیری ماشین (نسخه نهایی) دانلود , buy پرتو یادگیری: پایتون توزیعشده انعطافپذیر برای یادگیری ماشین (نسخه نهایی) , خرید کتاب پرتو یادگیری: پایتون توزیعشده انعطافپذیر برای یادگیری ماشین (نسخه نهایی) , دانلود کتاب Learning Ray: Flexible Distributed Python for Machine Learning (Final Release) , کتاب Learning Ray: Flexible Distributed Python for Machine Learning (Final Release) , دانلود Learning Ray: Flexible Distributed Python for Machine Learning (Final Release) , خرید Learning Ray: Flexible Distributed Python for Machine Learning (Final Release) , خرید کتاب Learning Ray: Flexible Distributed Python for Machine Learning (Final Release) ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.