Gépi tanulás tervezési mintái: Megoldások az adatelőkészítés, a modellépítés és az Mlops gyakori kihívásaira

Olvasói vélemények

A könyvet a gépi tanulás tervezési mintáival kapcsolatos gyakorlati meglátásai miatt nagyra értékelik, és értékes forrásként szolgál mind a kezdők, mind a tapasztalt szakemberek számára. Ugyanakkor kritika érte, hogy túlságosan a Google technológiáira koncentrál, és bizonyos területeken nem elég mélyreható.

Megalapozott ismereteket nyújt a gépi tanulás eszköztáráról és a tervezési mintákról.

Jól megírt, jó példákkal, amelyek a gyakorlati használatban is visszaköszönnek.

(39 olvasói vélemény alapján)

Eredeti címe:

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

Könyv tartalma:

A könyvben található tervezési minták a legjobb gyakorlatokat és a gépi tanulás visszatérő problémáinak megoldásait tartalmazzák. A szerzők, a Google három mérnöke, olyan bevált módszereket sorolnak fel, amelyek segítségével az adattudósok az ML-folyamat során gyakran felmerülő problémákat kezelhetik. Ezek a tervezési minták szakértők százainak tapasztalatait kodifikálják egyszerű, közérthető tanácsokká.

Ebben a könyvben 30 minta részletes magyarázatát találja az adatok és a problémák reprezentációjára, operacionalizálására, megismételhetőségére, reprodukálhatóságára, rugalmasságára, magyarázhatóságára és igazságosságára vonatkozóan. Minden egyes minta tartalmazza a probléma leírását, számos lehetséges megoldást és ajánlásokat a helyzetnek legmegfelelőbb technika kiválasztására.

Megtanulhatja, hogyan:

⬤ Az ML-modellek képzése, értékelése és alkalmazása során felmerülő gyakori kihívások azonosítása és enyhítése.

⬤ Elhelyezze az adatokat különböző ML modelltípusokhoz, beleértve a beágyazásokat, a jellemzőkereszteket és így tovább.

⬤ Válassza ki a megfelelő modelltípust az adott problémákhoz.

⬤ Készítsen robusztus képzési hurkot, amely ellenőrzőpontokat, elosztási stratégiát és hiperparaméter-hangolást használ.

⬤ Telepítsen skálázható ML-rendszereket, amelyeket újrataníthat és frissíthet az új adatok tükrözése érdekében.

⬤ Előreértelmezze a modell előrejelzéseit az érdekeltek számára, és biztosítsa, hogy a modellek tisztességesen bánjanak a felhasználókkal.