Machine Learning Design Patterns : Solutions aux défis courants en matière de préparation des données, de construction de modèles et de Mlops

Avis des lecteurs

Résumé:

Le livre est bien accueilli pour ses aperçus pratiques sur les modèles de conception de l'apprentissage automatique et constitue une ressource précieuse pour les débutants et les praticiens expérimentés. Cependant, il a été critiqué pour sa focalisation excessive sur les technologies Google et son manque de profondeur dans certains domaines.

Avantages:

Fournit une solide compréhension de la boîte à outils de l'apprentissage automatique et des modèles de conception.

Inconvénients:

Bien écrit avec de bons exemples qui résonnent avec l'utilisation pratique.

(basé sur 39 avis de lecteurs)

Titre original :

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

Contenu du livre :

Les modèles de conception présentés dans ce livre illustrent les meilleures pratiques et les solutions aux problèmes récurrents de l'apprentissage automatique. Les auteurs, trois ingénieurs de Google, répertorient des méthodes éprouvées pour aider les scientifiques des données à résoudre des problèmes courants tout au long du processus d'apprentissage automatique. Ces patrons de conception codifient l'expérience de centaines d'experts sous forme de conseils simples et accessibles.

Dans ce livre, vous trouverez des explications détaillées de 30 modèles pour la représentation des données et des problèmes, l'opérationnalisation, la répétabilité, la reproductibilité, la flexibilité, l'explicabilité et l'équité. Chaque modèle comprend une description du problème, une variété de solutions potentielles et des recommandations pour choisir la meilleure technique dans votre situation.

Vous apprendrez à : ⬤ Identifier et atténuer

⬤ Identifier et atténuer les défis courants lors de la formation, de l'évaluation et du déploiement des modèles de ML.

⬤ Représenter les données pour différents types de modèles de ML, y compris les embeddings, les croisements de caractéristiques, etc.

⬤ Choisir le bon type de modèle pour des problèmes spécifiques.

⬤ Construire une boucle de formation robuste qui utilise des points de contrôle, une stratégie de distribution et un réglage des hyperparamètres.

⬤ Déployer des systèmes de ML évolutifs que vous pouvez réentraîner et mettre à jour en fonction des nouvelles données.

⬤ Interpréter les prédictions des modèles pour les parties prenantes et s'assurer que les modèles traitent les utilisateurs de manière équitable.

Autres informations sur le livre :

• ISBN : 9781098115784
• Auteur : Valliappa Lakshmanan
• Éditeur : Oreilly Media
• Reliure : Broché
• Année de publication : 2020
• Nombre de pages : 400