Maschinelles Lernen und Rust: Von den Grundlagen bis zur Produktion

Das Buch „Maschinelles Lernen und Rust“ ist ein praktischer Leitfaden für Entwickler, die das Erstellen leistungsstarker Systeme für maschinelles Lernen in der Sprache Rust erlernen möchten. Im Gegensatz zu traditionellen Python-Bibliotheken bietet Rust sichere Speicherverwaltung, keine Overhead-Kosten und ideale Leistung für Produktionssysteme.

Worum geht es in diesem Buch

Der Autor führt den Leser konsequent von den Grundlagen des maschinellen Lernens bis zur Bereitstellung fertiger Modelle. Sie erfahren, wie Sie:

• Lineare Regression, logistische Regression und Entscheidungsbäume in reinem Rust implementieren
• Mit beliebten Crates arbeiten: ndarray für numerische Berechnungen, smartcore für klassische Algorithmen, tch-rs für neuronale Netze auf Basis von PyTorch
• Neuronale Netze von Grund auf erstellen und trainieren, einschließlich convolutional und rekurrenter Architekturen
• Die Leistung optimieren: parallele Berechnungen mit Rayon, SIMD-Instruktionen, Arbeit mit GPU über Vulkan und CUDA
• Modelle in Webdienste mit Actix-web und Rocket integrieren
• ML-Systeme in Docker-Containern und auf Edge-Geräten bereitstellen

Für wen ist dieses Buch

• Rust-Entwickler, die in Data Science einsteigen möchten
• ML-Ingenieure, die von langsamem Python genervt sind und eine Alternative für die Produktion suchen
• Systemprogrammierer, die maschinelles Lernen in ihre Projekte integrieren müssen
• Studenten und Forscher, die sich für leistungsstarke Berechnungen interessieren

Was Sie lernen werden

Nach der Lektüre werden Sie sicher in der Lage sein:

• ML-Pipelines in Rust zu entwerfen und zu implementieren
• Mit echten Datensätzen zu arbeiten: Laden, Bereinigen, Normalisieren
• Benutzerdefinierte Schichten und Verlustfunktionen für neuronale Netze zu erstellen
• Code zu profilieren und auf maximale Leistung zu optimieren
• Trainierte Modelle in eine Produktionsumgebung zu integrieren

Warum Rust für ML?

Rust ist nicht nur „eine weitere Sprache“. Es ist ein Werkzeug, das die Spielregeln im maschinellen Lernen verändert. Speichersicherheit zur Kompilierzeit schließt ganze Fehlerklassen aus, und Zero-Cost-Abstraktionen ermöglichen das Schreiben von Code, der mit C-Geschwindigkeit läuft. Das Buch zeigt, wie diese Vorteile in der Praxis angewendet werden.

Jedes Kapitel enthält praktische Beispiele, startbereite Projekte und Aufgaben zur selbstständigen Arbeit. Der Quellcode aller Beispiele ist auf GitHub verfügbar.