Ebook Nhập Môn Machine Learning System - Tập 1 [Ấn Bản Lần 1, 10/2026] [PDF] [8849E]
Một cuốn sách giáo khoa dựa trên nguyên lý nhằm dạy cho sinh viên và những người hành nghề cách suy luận định lượng về các hệ thống machine learning, từ các data pipeline đến deployment.
Machine learning đã vượt ra khỏi phạm vi nghiên cứu để bước vào thực tiễn kỹ thuật, tuy nhiên lĩnh vực này vẫn thiếu một sự trang bị toàn diện về các nguyên lý, từ vựng và các công cụ quantitative reasoning. Để lấp đầy khoảng trống đó, cuốn sách giáo khoa đổi mới này không coi các hệ thống machine learning như một tập hợp các tool và framework, mà coi đó là một chuyên ngành kỹ thuật bị chi phối bởi các giới hạn vật lý. "Nhập Môn Machine Learning System" phát triển các quantitative framework giúp phân rã hiệu suất hệ thống thành các component có thể đo lường được, cung cấp cho người đọc khả năng chẩn đoán các bottleneck, dự đoán các trade-off và thiết kế các hệ thống hoạt động hiệu quả - thông qua reasoning từ những nguyên lý đầu tiên, chứ không phải từ các công thức rập khuôn.
Được tổ chức thành bốn phần - Foundation, Build, Optimize và Deploy - cuốn sách bao quát toàn bộ vòng đời của các hệ thống ML: data engineering, neural network computation & architecture, framework internals, training infrastructure, data selection, model compression, hardware acceleration, benchmarking, serving system, ML operation và responsible engineering bao gồm fairness, privacy, security và sustainability. Phạm vi của sách bao trùm các hệ thống từ các thiết bị nhúng cho đến các cloud-based accelerator trên một compute node duy nhất, vốn là đơn vị nền tảng của ML computation và là tiền đề cho mọi thứ được xây dựng trên nó.
- ✓ Phát triển các quantitative reasoning tool cho phép người đọc chẩn đoán các system bottleneck và dự đoán các trade-off.
- ✓ Bao quát toàn bộ vòng đời của các hệ thống ML từ đầu đến cuối, từ các data pipeline thông qua training, optimization, deployment và operation.
- ✓ Dạy các nguyên lý cốt lõi lâu dài thay vì chỉ tập trung vào các công cụ hiện tại.
- ✓ Coi tính công bằng, quyền riêng tư, bảo mật và tính bền vững của môi trường là các bài toán kỹ thuật với những giải pháp có thể đo lường được.
- ✓ Cung cấp phương pháp sư phạm phong phú với các lab tương tác và slide bài giảng.
- ✓ Dựa trên khóa học nổi tiếng của tác giả và chương trình TinyML trên edX.
- ✓ Cung cấp các lab tương tác, slide bài giảng và TinyTorch educational framework đi kèm.
Mục lục:
- ✓ Chương 01. Giới thiệu:
- ✓ Phần I: Nền tảng của các hệ thống ML:
- ✓ Chương 02. Các ML System.
- ✓ Chương 03. ML Workflow.
- ✓ Chương 04. Data Engineering.
- ✓ Phần II: Development & Training:
- ✓ Chương 05. Neural Computation.
- ✓ Chương 06. Network Architecture.
- ✓ Chương 07. Các ML Framework.
- ✓ Chương 08. Model Training.
- ✓ Phần III: Optimization & Acceleration:
- ✓ Chương 09. Data Selection.
- ✓ Chương 10. Model Compression.
- ✓ Chương 11. Hardware Acceleration.
- ✓ Chương 12. Benchmarking.
- ✓ Phần IV: Deployment & Operation:
- ✓ Chương 13. Model Serving.
- ✓ Chương 14. ML Operations.
- ✓ Chương 15. Responsible Engineering.
- ✓ Chương 16. Tổng kết.
- ✓ Phụ lục A. D·A·M Taxonomy.
- ✓ Phụ lục B. Data Foundation.
- ✓ Phụ lục C. Algorithm Foundation.
- ✓ Phụ lục D. Machine Foundation.
- ✓ Phụ lục E. System Assumption.