Machine Learning Design Patterns: Rozwiązania typowych wyzwań w zakresie przygotowywania danych, budowania modeli i Mlops

Opinie czytelników

Książka została dobrze przyjęta ze względu na praktyczny wgląd we wzorce projektowe uczenia maszynowego i służy jako cenne źródło informacji zarówno dla początkujących, jak i doświadczonych praktyków. Spotkała się jednak z krytyką za nadmierne skupienie się na technologiach Google i brak głębi w niektórych obszarach.

Zapewnia solidne zrozumienie zestawu narzędzi uczenia maszynowego i wzorców projektowych.

Dobrze napisana z dobrymi przykładami, które rezonują z praktycznym zastosowaniem.

(na podstawie 39 opinii czytelników)

Oryginalny tytuł:

Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and Mlops

Zawartość książki:

Wzorce projektowe zawarte w tej książce zawierają najlepsze praktyki i rozwiązania powtarzających się problemów w uczeniu maszynowym. Autorzy, trzej inżynierowie Google, skatalogowali sprawdzone metody, aby pomóc naukowcom zajmującym się danymi w rozwiązywaniu typowych problemów w całym procesie uczenia maszynowego. Te wzorce projektowe kodyfikują doświadczenie setek ekspertów w proste, przystępne porady.

W tej książce znajdziesz szczegółowe wyjaśnienia 30 wzorców reprezentacji danych i problemów, operacjonalizacji, powtarzalności, odtwarzalności, elastyczności, wyjaśnialności i uczciwości. Każdy wzorzec zawiera opis problemu, różne potencjalne rozwiązania i zalecenia dotyczące wyboru najlepszej techniki dla danej sytuacji.

Dowiesz się, jak

⬤ Identyfikować i łagodzić typowe wyzwania podczas szkolenia, oceny i wdrażania modeli ML.

⬤ Reprezentować dane dla różnych typów modeli ML, w tym osadzania, krzyżowania funkcji i innych.

⬤ Wybrać odpowiedni typ modelu dla konkretnych problemów.

⬤ Zbuduj solidną pętlę treningową, która wykorzystuje punkty kontrolne, strategię dystrybucji i strojenie hiperparametrów.

⬤ Wdrażać skalowalne systemy ML, które można ponownie trenować i aktualizować w celu odzwierciedlenia nowych danych.

⬤ Interpretować przewidywania modeli dla interesariuszy i upewniać się, że modele traktują użytkowników sprawiedliwie.