Design Patterns für Machine Learning: Entwurfsmuster für Datenaufbereitung, Modellbildung und MLOps - Best Practices für die gesamte ML-Pipeline - Couverture souple

Lakshmanan, Valliappa; Robinson, Sara; Munn, Michael

 
9783960091646: Design Patterns für Machine Learning: Entwurfsmuster für Datenaufbereitung, Modellbildung und MLOps - Best Practices für die gesamte ML-Pipeline
Couverture souple
ISBN 10 : 3960091648 ISBN 13 : 9783960091646
Editeur : dpunkt.Verlag, 2021

Synopsis

Bewährte Praxislösungen für komplexe Machine-Learning-Aufgaben - Behandelt alle Phasen der ML-Produktpipeline - Klar strukturierter Aufbau, der dafür sorgt, dass sich Konzepte und Zusammenhänge rasch erschließen - Fokus auf TensorFlow, aber auch übertragbar auf PyTorch-Projekte Die Design Patterns in diesem Buch zeigen praxiserprobte Lösungen für wiederkehrende Aufgaben im Machine Learning. Die Autor:innen ¿ ML-Experten bei Google ¿ beschreiben Methoden, die Data Scientists helfen, typische Probleme im gesamten ML-Prozess zu bewältigen. Die Entwurfsmuster verdichten die Erfahrungen von Hunderten von Expert:innen zu klar strukturierten, zugänglichen Best Practices. Das Buch bietet detaillierte Erläuterungen zu 30 Mustern für die Daten- und Problemdarstellung, Operationalisierung, Wiederholbarkeit, Reproduzierbarkeit, Flexibilität, Erklärbarkeit und Fairness. Zu jedem Muster erhalten Sie eine Beschreibung des Problems, eine Vielzahl möglicher Lösungen sowie Empfehlungen, welche Technik die beste für Ihre Problemstellung ist. Erfahren Sie, wie Sie: - Herausforderungen beim Trainieren, Bewerten und Deployen von ML-Modellen erkennen und überwinden - Daten für verschiedene ML-Modelltypen mit Einbettungen, Feature Crosses und mehr darstellen - den richtigen Modelltyp für bestimmte Fragestellungen auswählen - eine robuste Trainingsschleife mit Checkpoints, Verteilungsstrategie und Hyperparameter-Tuning erstellen - skalierbare ML-Systeme deployen, die bei erneutem Training aktuelle Daten berücksichtigen - Modellvorhersagen für Stakeholder interpretieren - Modellgenauigkeit, Reproduzierbarkeit, Resilienz und Fairness verbessern

Les informations fournies dans la section « Synopsis » peuvent faire référence à une autre édition de ce titre.

Éditeur
dpunkt.Verlag
Date d'édition
2021
Langue
allemand
ISBN 10 
3960091648
ISBN 13 
9783960091646
Reliure
Broché
Nombre de pages
430
Coordonnées du fabricant
service@rheinwerk-verlag.de
service@rheinwerk-verlag.de

Wieblinger Weg 17
Heidelberg
69123
Allemagne