Машинное обучение. Паттерны проектирования

Приводимые в книге паттерны проектирования отражают лучшие практические подходы к решению типичных задач машинного обучения. Указанные паттерны, реализованные в программном коде, сконцентрировали опыт сотен экспертов в простые и легкодоступные советы. Книга содержит подробный разбор 30 паттернов, служащих для представления данных и задач, тренировки моделей, отказоустойчивого обслуживания, обеспечения воспроизводимости и искусственного интеллекта. Каждый паттерн включает в себя постановку задачи, ряд потенциальных решений и рекомендации по выбору технического приема, наилучшим образом подходящего к данной ситуации. Для программистов в области машинного обучения Оригинальное название книги “Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps“, 1st Edition (by Valliappa Lakshmanan, Sara Robinson, Michael Munn) Коды примеров можно скачать по ссылке https://github.com/GoogleCloudPlatform/ml-design-patterns На обложке изображена солнечная цапля (лат. Eurypyga helias) — единственный вид монотипичного семейства Eurypygidae, птица родом из тропических районов Центральной и Южной Америки. За необычный окрас крыльев ее называют птицей-бабочкой. <img width="229" height="300" src="https://bhv.ru/wp-content/uploads/2022/02/2834_eng-229x300.jpg" class="vc_single_image-img attachment-medium wp-post-image" alt="Machine Learning Design Patterns" decoding="async" loading="lazy" srcset="https://bhv.ru/wp-content/uploads/2022/02/2834_eng-229x300.jpg 229w, https://bhv.ru/wp-content/uploads/2022/02/2834_eng-231x303.jpg 231w, https://bhv.ru/wp-content/uploads/2022/02/2834_eng.jpg 381w" sizes="(max-width: 229px) 100vw, 229px" /> Вы научитесь — Выявлять и преодолевать трудности, встречающиеся во время тренировки, оценивания и развертывания моделей машинного обучения — Представлять данные для разных типов моделей машинного обучения, включая векторные вложения, гибриды признаков и многое другое — Выбирать правильный тип модели для той или иной задачи — Строить надежный цикл тренировки с использованием контрольных точек, распределительной стратегии и гиперпараметрической настройки — Разворачивать масштабируемые модели машинного обучения, которые можно переучивать и обновлять с целью учета новых данных — Интерпретировать предсказания модели понятным конечному пользователю образом — Улучшать точность, воспроизводимость и отказоустойчивость моделей Еще о книге Приводимые в этой книге паттерны проектирования отражают лучшие практические подходы к решению типичных задач машинного обучения. Авторы книги, три инженера компании Google, систематизировали проверенные временем методы решений и поместили их в книгу. Указанные паттерны, реализованные в программном коде, превращают опыт сотен экспертов в простые и легкодоступные советы. <img width="200" height="170" src="https://bhv.ru/wp-content/uploads/2017/01/anyflipview.svg" class="vc_single_image-img attachment-200x100 wp-post-image" alt="Листать" decoding="async" loading="lazy" /> Рекомендации специалистов