Modele de proiectare a învățării automate: Soluții la provocările comune în pregătirea datelor, construirea de modele și Mlops

Recenzii ale cititorilor

Cartea este bine primită pentru perspectivele sale practice asupra modelelor de proiectare a învățării automate și servește ca o resursă valoroasă atât pentru începători, cât și pentru practicienii experimentați. Cu toate acestea, cartea a fost criticată pentru faptul că se concentrează prea mult pe tehnologiile Google și pentru lipsa de profunzime în anumite domenii.

Oferă o înțelegere solidă a setului de instrumente de învățare automată și a modelelor de proiectare.

Bine scrisă, cu exemple bune care rezonează cu utilizarea practică.

(pe baza a 39 recenzii ale cititorilor)

Titlul original:

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

Conținutul cărții:

Modelele de proiectare din această carte surprind cele mai bune practici și soluții la problemele recurente din învățarea automată. Autorii, trei ingineri Google, cataloghează metodele dovedite pentru a ajuta oamenii de știință din domeniul datelor să abordeze problemele comune pe parcursul procesului ML. Aceste modele de proiectare codifică experiența a sute de experți în sfaturi simple, accesibile.

În această carte, veți găsi explicații detaliate ale 30 de modele pentru reprezentarea datelor și a problemelor, operaționalizare, repetabilitate, reproductibilitate, flexibilitate, explicabilitate și corectitudine. Fiecare model include o descriere a problemei, o varietate de soluții potențiale și recomandări pentru alegerea celei mai bune tehnici pentru situația dumneavoastră.

Veți învăța cum să:

⬤ Identificați și atenuați provocările comune atunci când instruiți, evaluați și implementați modele ML.

⬤ Reprezentați datele pentru diferite tipuri de modele ML, inclusiv embeddings, feature crosses și altele.

⬤ Să alegeți tipul de model potrivit pentru probleme specifice.

⬤ Construiți o buclă de formare robustă care utilizează puncte de control, strategii de distribuție și reglarea hiperparametrilor.

⬤ Deplasați sisteme ML scalabile pe care le puteți reantrena și actualiza pentru a reflecta noile date.

⬤ Interpretați predicțiile modelelor pentru părțile interesate și asigurați-vă că modelele tratează corect utilizatorii.