Bewertung:
Das Buch über automatisiertes maschinelles Lernen (AutoML) deckt sowohl Open-Source- als auch kommerzielle AutoML-Lösungen umfassend ab und konzentriert sich dabei insbesondere auf die wichtigsten Cloud-Plattformen wie Microsoft Azure, AWS und Google Cloud. Es dient als wertvolle Ressource für Anfänger und erfahrene ML-Praktiker, mit organisierten Beispielen und Frameworks zum Verständnis der AutoML-Bereitstellung. Einige Rezensenten bemängelten jedoch die mangelnde Tiefe der technischen Erklärungen und Probleme mit der Lesbarkeit der im Text verwendeten Bildschirmfotos.
Vorteile:⬤ Umfassende Abdeckung der AutoML-Konzepte und -Werkzeuge auf den wichtigsten Cloud-Plattformen.
⬤ Organisierte Struktur mit klaren Beispielen und praktischen Implementierungen.
⬤ Geeignet für Anfänger und erfahrene Praktiker, die Aufgaben des maschinellen Lernens automatisieren wollen.
⬤ Erläutert die Hintergründe, Vorteile und Szenarien für den effektiven Einsatz von AutoML.
⬤ Bietet einen breiten Überblick über das Ökosystem mit Open-Source- und kommerziellen Optionen.
⬤ Es fehlt an ausführlichen technischen Erklärungen; einige Konzepte werden kurz vorgestellt.
⬤ Screenshots sind oft schwer zu lesen, wie von mehreren Rezensenten erwähnt.
⬤ Enthält möglicherweise nicht genügend detaillierte Beispiele für bestimmte AutoML-Plattformen, so dass sich die Benutzer eine eingehendere Anleitung wünschen.
⬤ Bestimmte Abschnitte könnten von mehr organisatorischer Klarheit und Detailgenauigkeit profitieren, insbesondere im Unternehmenskontext.
(basierend auf 14 Leserbewertungen)
Automated Machine Learning: Hyperparameter optimization, neural architecture search, and algorithm selection with cloud platforms
Machen Sie sich mit automatisiertem maschinellem Lernen vertraut und verfolgen Sie einen praktischen Ansatz zur AutoML-Implementierung und den damit verbundenen Methoden.
Hauptmerkmale:
⬤ Machen Sie sich mit AutoML vertraut und nutzen Sie OSS, Azure, AWS, GCP oder eine Plattform Ihrer Wahl.
⬤ Eliminieren Sie alltägliche Aufgaben im Data Engineering und reduzieren Sie menschliche Fehler in maschinellen Lernmodellen.
⬤ Finden Sie heraus, wie Sie maschinelles Lernen für alle Benutzer zugänglich machen können, um dezentralisierte Prozesse zu fördern.
Buchbeschreibung:
Jeder Ingenieur für maschinelles Lernen hat mit Systemen zu tun, die Hyperparameter haben, und die grundlegendste Aufgabe beim automatisierten maschinellen Lernen (AutoML) besteht darin, diese Hyperparameter automatisch einzustellen, um die Leistung zu optimieren. Die neuesten tiefen neuronalen Netze verfügen über eine breite Palette von Hyperparametern für ihre Architektur, Regularisierung und Optimierung, die effektiv angepasst werden können, um Zeit und Aufwand zu sparen.
In diesem Buch werden die zugrundeliegenden Techniken des automatisierten Feature Engineering, der Modell- und Hyperparameter-Abstimmung, gradientenbasierte Ansätze und vieles mehr vorgestellt. Sie lernen verschiedene Möglichkeiten der Implementierung dieser Techniken in Open-Source-Tools kennen und erfahren dann, wie Sie Unternehmens-Tools für die Implementierung von AutoML in drei großen Cloud-Service-Anbietern verwenden: Microsoft Azure, Amazon Web Services (AWS) und Google Cloud Platform. Im weiteren Verlauf lernen Sie die Funktionen der Cloud-AutoML-Plattformen kennen, indem Sie mit AutoML Modelle für maschinelles Lernen erstellen. Das Buch zeigt Ihnen auch, wie Sie genaue Modelle entwickeln können, indem Sie zeitaufwändige und sich wiederholende Aufgaben im Entwicklungszyklus des maschinellen Lernens automatisieren.
Am Ende dieses Buches über maschinelles Lernen werden Sie in der Lage sein, AutoML-Modelle zu erstellen und bereitzustellen, die nicht nur genau sind, sondern auch die Produktivität erhöhen, Interoperabilität ermöglichen und die Aufgaben der Funktionsentwicklung minimieren.
Was Sie lernen werden:
⬤ Sie lernen die AutoML-Grundlagen, die zugrunde liegenden Methoden und Techniken kennen.
⬤ AutoML-Aspekte wie die Auswahl von Algorithmen, die automatische Featurierung und die Abstimmung von Hyperparametern in einem angewandten Szenario bewerten.
⬤ Erfahren Sie den Unterschied zwischen Cloud und Operations Support Systems (OSS)
⬤ Implementieren Sie AutoML in der Unternehmens-Cloud, um ML-Modelle und -Pipelines einzusetzen.
⬤ Erklärbare AutoML-Pipelines mit Transparenz erstellen.
⬤ Automatisiertes Feature Engineering und Zeitreihenprognosen verstehen.
⬤ Automatisieren Sie Data-Science-Modellierungsaufgaben, um ML-Lösungen einfach zu implementieren und sich auf komplexere Probleme zu konzentrieren.
Für wen dieses Buch gedacht ist:
Datenwissenschaftler, Entwickler für maschinelles Lernen, Enthusiasten der künstlichen Intelligenz oder alle, die maschinelle Lernmodelle mit den Funktionen von Open-Source-Tools, Microsoft Azure Machine Learning, AWS und Google Cloud Platform automatisch erstellen möchten, werden dieses Buch nützlich finden. Um dieses Buch optimal nutzen zu können, sind Kenntnisse über die Erstellung von ML-Modellen auf Anfängerniveau erforderlich. Vorherige Erfahrung mit der Enterprise Cloud ist von Vorteil.
| ISBN: | 9781800567689 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
