Praxiserprobte Entwurfsmuster für Machine Learning
Im Machine Learning finden sich viele wiederkehrende Aufgaben, etwa beim Trainieren, Bewerten und Deployen, wofür Ihnen die Autoren in diesem Buch praxiserprobte Lösungen bieten. Die beschriebenen Methoden helfen Data Scientists und Engineers bei der Lösung typischer Probleme im gesamten ML-Prozess. Die Autor:innen sind ML-Experten bei Google und verdichten hier die Erfahrungen von Hunderten von Expert:innen zu klar strukturierten, zugänglichen Best Practices.
Die detaillierten Erläuterungen zu 30 Mustern erläutern 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.
Sie erfahren, 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
ML-Modelle operieren auf Daten, die sich nicht direkt an die mathematische Funktion übergeben lassen. Diese Leseprobe zeigt, wie mittels der Datendarstellung Eingabedaten in die vom Modell erwarteten Form transformiert werden, so dass sie von den mathematischen Funktionen eines Entscheidungsbaum verarbeitet werden können.
„Dieses Buch ist ein Muss für jeden Data Scientist oder ML Engineer, der bewährte Lösungen für komplexe ML-Probleme verstehen will.“
— David Kanter, Executive Director, ML Commons
„Wenn Sie beim Erstellen von ML-Lösungen weniger Narben, Beulen oder Schrammen abbekommen wollen, dann verlassen Sie sich auf Lok, Sara und Michael.“
— Will Grannis, Managing Director, Cloud CTO Office, Google
Wer hat's geschrieben?
Valliappa (Lak) Lakshmanan ist Global Head for Data Analytics and AI Solutions bei Google Cloud. Sein Team entwickelt Softwarelösungen für Unternehmen mit den Datenanalyse- und Machine-Learning-Produkten von Google Cloud. Er hat das Programm Advanced Solutions Lab ML Immersion von Google gegründet. Vor seiner Tätigkeit bei Google war Lak Director of Data Science bei der Climate Corporation und Research Scientist bei NOAA.
Sara Robinson ist Developer Advocate im Cloud Platform-Team von Google, sie ist spezialisiert auf Machine Learning. Mit Demos, Online-Inhalten und Veranstaltungen inspiriert sie Entwickler:innen und Data Scientists, Machine Learning in ihre Anwendungen zu integrieren. Sara hat einen Bachelor-Abschluss von der Brandeis University. Bevor sie zu Google kam, war sie Developer Advocate im Firebase-Team.
Michael Munn ist ML Solutions Engineer bei Google. Er unterstützt Google-Cloud-Kunden bei der Entwicklung, Implementierung und dem Deployment von Machine-Learning-Modellen. Außerdem gibt er sein Wissen im ML-Immersion-Programm im Advanced Solutions Lab weiter. Michael hat einen Doktortitel in Mathematik von der City University of New York. Bevor er zu Google kam, arbeitete er als Forschungsprofessor.
Design Patterns für Machine Learning
Entwurfsmuster für Datenaufbereitung, Modellbildung und MLOps
Best Practices für die gesamte ML-Pipeline
Verlag
OReilly (dpunkt)
Autor:innen
Valliappa Lakshmanan, Sara Robinson, Michael Munn
Fassung
430 Seiten, Softcover
Erschienen
01/2022
ISBN
978-3-96009-164-6 9783960091646
Buch
€44,90 inkl. MwSt.
Best.-Nr.: OR-164
Versandkostenfrei (D)
Lieferbar in 48 h
Design Patterns für Machine Learning
Entwurfsmuster für Datenaufbereitung, Modellbildung und MLOps
Best Practices für die gesamte ML-Pipeline
Best.-Nr.: OR-164 Lieferbar in 48 h
€44,90 inkl. MwSt.
Versandkostenfrei (D)
Design Patterns für Machine Learning
Entwurfsmuster für Datenaufbereitung, Modellbildung und MLOps
