機器學習設計模式 Machine Learning Design Patterns ( 繁體 字) |
| 作者：Valliappa Lakshmanan, Sara Robinson, Michael Munn | 類別：1. -> 程式設計 -> 機器學習 |
| 譯者：賴屹民 |
| 出版社：歐萊禮圖書 |  3dWoo書號： 54562
詢問書籍請說出此書號！【缺書】
NT定價： 680 元
折扣價： 537 元
|
| 出版日：5/24/2021 |
| 頁數：382 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 繁體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9789865027889 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：資料準備、模型建構與MLOps常見挑戰的解決方案
「本書提供了豐富的範例，如果你是資料科學家或ML工程師，而且想要了解如何使用行之有效的解決方案來處理複雜的ML問題，你一定要看這本書。」
—David Kanter
ML Commons執行長
「如果你想在建構ML解決方案的過程中減少傷害、碰撞和磨擦，Lak、Sara和Michael可以在背後支持你。」
—Will Grannis
Google Cloud CTO Office常務董事
本書的設計模式介紹常見的機器學習最佳實踐法和解決方案。作者是三位Google工程師，他們整理了一些經過驗證的方法，協助資料科學家匯整ML程序中常見的問題，用這些設計模式來將數百位專家的經驗整理成直觀、平易近人的建議。
這本書詳細地解釋30種模式，介紹資料和問題的表示法、作業化、可重複性、再現性、靈活性、可解釋性和公平性，每一種模式都包含問題描述、各種可能的解決方案，以及視情況選擇最佳技術的建議。
你將學會：
?在訓練、評估和部署ML模型時，認出常見的挑戰並處理它們
?表示各種ML模型的資料，包括embedding、feature cross(特徵交叉)等
?為具體的問題選擇適合的模型
?使用檢查點、發布策略和超參數調整來建立穩健的訓練循環
?部署可擴展的ML系統，以便用新資料來進行重新訓練和更新
?向關係人解釋模型為何做出那些預測，以確保模型公平地對待用戶
?提高模型的準確性、再現性和復原力 |
目錄：前言
第一章 為何需要機器學習設計模式
第二章 資料表示
第三章 問題表示
第四章 模型訓練
第五章 提供具復原力的服務
第六章 再現性
第七章 Responsible AI
第八章 連接模式
索引 |
| 序： |
