|
機器學習設計模式
|
|
Machine Learning Design Patterns |
|
|
|
|
|
|
|
|
ISBN: |
9789865027889 |
定价: |
NT680 |
售价: |
RM106.30 |
优惠价:
|
RM94.61 *
|
库存量:
|
海外库存 下单时可选择“空运”或“海运”(空运和海运需独立下单)。空运费每本书/CD是RM35.00。 空运需时9-12个工作天,海运需时约30个工作天。 (以上预计时间不包括出版社调货的时间以及尚未出版的预购商品) |
|
|
|
放入下次购买清单 |
|
|
作者:
|
Valliappa Lakshmanan,Sara Robinson,Michael Munn
|
译者: |
賴屹民 |
出版社: |
歐萊禮
|
出版日期:
|
2021-05-26 |
装订:
|
平裝. 單色印刷. 400 页. 23. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
資料準備、模型建構與MLOps常見挑戰的解決方案
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
好評推薦
「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 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
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
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
作者簡介
Valliappa(Lak) Lakshmanan
是Google Cloud的資料分析和AI解決方案的全球主管
Sara Robinson
是Google Cloud團隊的開發技術推廣工程師,工作重點是機器學習
Michael Munn
是Google的ML解決方案工程師,負責協助顧客設計、實作與部署機器學習模型 |
|
|
|
|
|
|
|
|
|
|
|