Design Patterns für Machine Learning
Design Patterns für Machine Learning, O'Reilly
Entwurfsmuster für Datenaufbereitung, Modellbildung und MLOps
Von Valliappa Lakshmanan, Sara Robinson, Michael Munn, im heise shop in digitaler Fassung erhältlich
Produktinformationen "Design Patterns für Machine Learning"
BEWÄHRTE PRAXISLÖSUNGEN FÜR KOMPLEXE MACHINE-LEARNING-AUFGABEN
* Behandelt alle Phasen der ML-Produktpipeline
* Klar strukturierter Aufbau: Konzepte und Zusammenhänge erschließen sich
dadurch schnell
* Fokus auf TensorFlow, aber auch übertragbar auf PyTorch-Projekte
Die Design Patterns in diesem Buch zeigen praxiserprobte Methoden und Lösungen
für wiederkehrende Aufgaben beim Machine Learning. Die Autoren, drei
Machine-Learning-Experten bei Google, beschreiben bewährte Herangehensweisen, um
Data Scientists und Data Engineers bei der Lösung gängiger Probleme im gesamten
ML-Prozess zu unterstützen. Die Patterns bündeln die Erfahrungen von Hunderten
von Experten und bieten einfache, zugängliche Best Practices.
In diesem Buch finden Sie detaillierte Erläuterungen zu 30 Patterns für diese
Themen: Daten- und Problemdarstellung, Operationalisierung, Wiederholbarkeit,
Reproduzierbarkeit, Flexibilität, Erklärbarkeit und Fairness. Jedes Pattern
enthält eine Beschreibung des Problems, eine Vielzahl möglicher Lösungen und
Empfehlungen für die Auswahl der besten Technik für Ihre Situation.
Artikel-Details
- Anbieter:
- O'Reilly
- Autor:
- Valliappa Lakshmanan, Sara Robinson, Michael Munn
- Artikelnummer:
- 9783960105961
- Veröffentlicht:
- 10.11.21
- Seitenanzahl:
- 432