Costruire applicazioni alimentate dall'apprendimento automatico: Passare dall'idea al prodotto

Recensioni dei lettori

Il libro “Building Machine Learning Powered Applications: Going from Idea to Product” è considerato una risorsa preziosa per manager e aspiranti data scientist alla ricerca di spunti pratici per la creazione di applicazioni di apprendimento automatico. Sebbene molti recensori ne apprezzino la struttura chiara e gli esempi reali, alcuni lo criticano perché troppo superficiale e poco approfondito per i professionisti più esperti.

Altamente raccomandato per i team manager e per chi è alle prime armi con la scienza dei dati.

Facile da leggere e ben strutturato.

(basato su 18 recensioni dei lettori)

Titolo originale:

Building Machine Learning Powered Applications: Going from Idea to Product

Contenuto del libro:

Imparate le competenze necessarie per progettare, costruire e distribuire applicazioni basate sull'apprendimento automatico (ML). Nel corso di questo libro pratico, costruirete un esempio di applicazione basata sul ML, dall'idea iniziale al prodotto distribuito.

I data scientist, gli ingegneri del software e i product manager, sia esperti che principianti, apprenderanno passo dopo passo gli strumenti, le best practice e le sfide legate alla realizzazione di un'applicazione di ML del mondo reale. L'autore Emmanuel Ameisen, data scientist esperto che ha diretto un programma di formazione sull'intelligenza artificiale, dimostra i concetti pratici di ML utilizzando frammenti di codice, illustrazioni, schermate e interviste a leader del settore. La prima parte insegna a pianificare un'applicazione di ML e a misurarne il successo.

La seconda parte spiega come costruire un modello di ML funzionante. La terza parte illustra i modi per migliorare il modello finché non soddisfa la visione originale.

La quarta parte tratta le strategie di implementazione e monitoraggio. Questo libro vi aiuterà a: ⬤ Definire l'obiettivo del prodotto e impostare un problema di apprendimento automatico ⬤ Costruire rapidamente la prima pipeline end-to-end e acquisire un set di dati iniziale ⬤ Addestrare e valutare i modelli di ML e risolvere i colli di bottiglia delle prestazioni ⬤ Distribuire e monitorare i modelli in un ambiente di produzione.