| |
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 |
|
| |
|
|
| |
|
|
| |
|
|
|
