Bewertung:
Das Buch wird für seine praktischen Einblicke in die Entwurfsmuster des maschinellen Lernens gut aufgenommen und dient als wertvolle Ressource für Anfänger und erfahrene Praktiker. Es wurde jedoch kritisiert, dass es sich zu sehr auf Google-Technologien konzentriert und in bestimmten Bereichen nicht tief genug geht.
Vorteile:Vermittelt ein solides Verständnis des Toolkits für maschinelles Lernen und der Entwurfsmuster.
Nachteile:Gut geschrieben mit guten Beispielen, die sich auf die praktische Anwendung beziehen.
(basierend auf 39 Leserbewertungen)
Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and Mlops
Die Entwurfsmuster in diesem Buch enthalten bewährte Verfahren und Lösungen für wiederkehrende Probleme beim maschinellen Lernen. Die Autoren, drei Google-Ingenieure, katalogisieren bewährte Methoden, die Datenwissenschaftlern helfen, häufige Probleme während des gesamten ML-Prozesses zu lösen. Diese Design Patterns kodifizieren die Erfahrung von Hunderten von Experten in einfachen, leicht verständlichen Ratschlägen.
In diesem Buch finden Sie detaillierte Erklärungen zu 30 Mustern für die Darstellung von Daten und Problemen, Operationalisierung, Wiederholbarkeit, Reproduzierbarkeit, Flexibilität, Erklärbarkeit und Fairness. Jedes Muster enthält eine Beschreibung des Problems, eine Vielzahl möglicher Lösungen und Empfehlungen für die Auswahl der besten Technik für Ihre Situation.
Sie lernen, wie Sie:
⬤ Gemeinsame Herausforderungen beim Training, der Bewertung und dem Einsatz von ML-Modellen zu identifizieren und zu entschärfen.
⬤ Daten für verschiedene ML-Modelltypen darstellen, einschließlich Einbettungen, Merkmalskreuze und mehr.
⬤ Wählen Sie den richtigen Modelltyp für bestimmte Probleme.
⬤ Erstellen Sie eine robuste Trainingsschleife, die Kontrollpunkte, Verteilungsstrategien und die Abstimmung von Hyperparametern verwendet.
⬤ Entwickeln Sie skalierbare ML-Systeme, die Sie neu trainieren und aktualisieren können, um neue Daten zu berücksichtigen.
⬤ Interpretieren Sie Modellvorhersagen für Stakeholder und stellen Sie sicher, dass die Modelle die Nutzer fair behandeln.
| ISBN: | 9781098115784 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 400 |
Derzeit verfügbar, auf Lager.
