Modelli di progettazione per l'apprendimento automatico: Soluzioni alle sfide più comuni nella preparazione dei dati, nella costruzione dei modelli e nei Mlops

Recensioni dei lettori

Il libro è stato accolto con favore per le sue intuizioni pratiche sui modelli di progettazione dell'apprendimento automatico e rappresenta una risorsa preziosa sia per i principianti che per i professionisti esperti. Tuttavia, è stato criticato per l'eccessiva focalizzazione sulle tecnologie di Google e per la mancanza di profondità in alcune aree.

Fornisce una solida comprensione degli strumenti di apprendimento automatico e dei modelli di progettazione.

Ben scritto, con buoni esempi che si adattano all'uso pratico.

(basato su 39 recensioni dei lettori)

Titolo originale:

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

Contenuto del libro:

Gli schemi di progettazione contenuti in questo libro raccolgono le migliori pratiche e le soluzioni ai problemi ricorrenti nell'apprendimento automatico. Gli autori, tre ingegneri di Google, catalogano metodi collaudati per aiutare gli scienziati dei dati ad affrontare i problemi più comuni durante il processo di ML. Questi design pattern codificano l'esperienza di centinaia di esperti in consigli semplici e accessibili.

In questo libro troverete spiegazioni dettagliate di 30 modelli per la rappresentazione dei dati e dei problemi, l'operazionalizzazione, la ripetibilità, la riproducibilità, la flessibilità, la spiegabilità e l'equità. Ogni modello include una descrizione del problema, una serie di potenziali soluzioni e raccomandazioni per scegliere la tecnica migliore per la vostra situazione.

Imparerete a:

⬤ Identificare e mitigare le sfide comuni durante l'addestramento, la valutazione e l'implementazione di modelli di ML.

⬤ Rappresentare i dati per diversi tipi di modelli di ML, tra cui embeddings, feature crosses e altro.

⬤ Scegliere il tipo di modello giusto per problemi specifici.

⬤ Costruire un ciclo di addestramento robusto che utilizzi i checkpoint, la strategia di distribuzione e la regolazione degli iperparametri.

⬤ Distribuire sistemi di ML scalabili che possono essere riqualificati e aggiornati per riflettere nuovi dati.

⬤ Interpretare le previsioni dei modelli per le parti interessate e garantire che i modelli trattino gli utenti in modo equo.