توضیحات
The design patterns in this book capture best practices and solutions to recurring problems in machine learning. The authors, three Google engineers, catalog proven methods to help data scientists tackle common problems throughout the ML process. These design patterns codify the experience of hundreds of experts into straightforward, approachable advice.
In this book, you will find detailed explanations of 30 patterns for data and problem representation, operationalization, repeatability, reproducibility, flexibility, explainability, and fairness. Each pattern includes a description of the problem, a variety of potential solutions, and recommendations for choosing the best technique for your situation.
You’ll learn how to:
Identify and mitigate common challenges when training, evaluating, and deploying ML models
Represent data for different ML model types, including embeddings, feature crosses, and more
Choose the right model type for specific problems
Build a robust training loop that uses checkpoints, distribution strategy, and hyperparameter tuning
Deploy scalable ML systems that you can retrain and update to reflect new data
Interpret model predictions for stakeholders and ensure models are treating users fairly
————————————————————–
ترجمه ماشینی :
الگوهای طراحی در این کتاب بهترین شیوه ها و راه حل ها را برای مشکلات تکرار شونده در یادگیری ماشین نشان می دهد. نویسندگان، سه مهندس گوگل، روشهای اثباتشده را فهرستنویسی میکنند تا به دانشمندان داده کمک کنند تا با مشکلات رایج در سراسر فرآیند ML مقابله کنند. این الگوهای طراحی، تجربه صدها متخصص را به مشاورههای ساده و قابل دسترس تبدیل میکند. در این کتاب، توضیحات مفصلی در مورد 30 الگو برای نمایش دادهها و مسئله، عملیاتیسازی، تکرارپذیری، تکرارپذیری، انعطافپذیری، توضیحپذیری و انصاف خواهید یافت. هر الگو شامل شرحی از مشکل، انواع راه حل های بالقوه و توصیه هایی برای انتخاب بهترین تکنیک برای موقعیت شما است. شما یاد خواهید گرفت که چگونه: هنگام آموزش، ارزیابی و استقرار مدلهای ML، چالشهای رایج را شناسایی و کاهش دهید دادهها را برای انواع مدلهای ML مختلف، از جمله جاسازیها، تلاقی ویژگیها و موارد دیگر نشان دهید نوع مدل مناسب را برای مشکلات خاص انتخاب کنید. یک حلقه آموزشی قوی بسازید که از نقاط بازرسی، استراتژی توزیع و تنظیم هایپرپارامتر استفاده میکند سیستمهای مقیاسپذیر ML را مستقر کنید که میتوانید آنها را دوباره آموزش دهید و بهروزرسانی کنید تا دادههای جدید را منعکس کنید پیشبینیهای مدل را برای سهامداران تفسیر کنید و اطمینان حاصل کنید که مدلها با کاربران رفتار منصفانه دارند.
tag : دانلود کتاب الگوهای طراحی یادگیری ماشین: راهحلهایی برای چالشهای رایج در آمادهسازی داده، ساخت مدل و MLOps , Download الگوهای طراحی یادگیری ماشین: راهحلهایی برای چالشهای رایج در آمادهسازی داده، ساخت مدل و MLOps , دانلود الگوهای طراحی یادگیری ماشین: راهحلهایی برای چالشهای رایج در آمادهسازی داده، ساخت مدل و MLOps , Download Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps Book , الگوهای طراحی یادگیری ماشین: راهحلهایی برای چالشهای رایج در آمادهسازی داده، ساخت مدل و MLOps دانلود , buy الگوهای طراحی یادگیری ماشین: راهحلهایی برای چالشهای رایج در آمادهسازی داده، ساخت مدل و MLOps , خرید کتاب الگوهای طراحی یادگیری ماشین: راهحلهایی برای چالشهای رایج در آمادهسازی داده، ساخت مدل و MLOps , دانلود کتاب Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps , کتاب Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps , دانلود Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps , خرید Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps , خرید کتاب Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.