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
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
