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: |