本书中的设计模式捕捉了机器学习中反复出现的问题的最佳实践和解决方案。作者是三位谷歌工程师,他们列出了经过验证的方法,以帮助数据科学家解决ML过程中的常见问题。这些设计模式将数百位专家的经验整理成简单、可接近的建议。

在这本书中,你会发现关于数据和问题表示、操作化、可重复性、可再现性、灵活性、可解释性和公平性的30种模式的详细解释。每个模式都包含对问题的描述、各种可能的解决方案,以及针对您的情况选择最佳技术的建议。

您将学习如何: 在训练、评估和部署ML模型时,确定并减轻常见的挑战 表示不同ML模型类型的数据,包括嵌入、特征交叉等 针对具体问题选择合适的模型类型 构建一个鲁棒的训练循环,使用检查点、分布策略和超参数调优 部署可扩展的ML系统,您可以重新训练和更新这些系统,以反映新的数据 为利益相关者解释模型预测,并确保模型公平地对待用户

https://www.oreilly.com/library/view/machine-learning-design/9781098115777/

Preface

  1. The Need for Machine Learning Design Patterns

  2. Data Representation Design Patterns

  3. Problem Representation Design Patterns

  4. Model Training Patterns

  5. Design Patterns for Resilient Serving

  6. Reproducibility Design Patterns

  7. Responsible AI

  8. Connected Patterns

Index

成为VIP会员查看完整内容
132

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【干货书】机器学习算法视角,249页pdf
专知会员服务
139+阅读 · 2021年10月18日
【干货书】真实机器学习,264页pdf,Real-World Machine Learning
苹果 9 款新 Mac 要来了?
ZEALER订阅号
0+阅读 · 2022年4月15日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
35+阅读 · 2021年8月2日
Financial Time Series Representation Learning
Arxiv
10+阅读 · 2020年3月27日
A Comprehensive Survey on Transfer Learning
Arxiv
117+阅读 · 2019年11月7日
Arxiv
18+阅读 · 2019年1月16日
Arxiv
25+阅读 · 2018年8月19日
VIP会员
相关基金
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
相关论文
Arxiv
35+阅读 · 2021年8月2日
Financial Time Series Representation Learning
Arxiv
10+阅读 · 2020年3月27日
A Comprehensive Survey on Transfer Learning
Arxiv
117+阅读 · 2019年11月7日
Arxiv
18+阅读 · 2019年1月16日
Arxiv
25+阅读 · 2018年8月19日
微信扫码咨询专知VIP会员