Maskininlärningssystem är både komplexa och unika. Komplexa eftersom de består av många olika komponenter och involverar många olika intressenter. Unika eftersom de är databeroende, med data som varierar kraftigt från ett användningsfall till ett annat. I den här boken får du lära dig ett holistiskt angreppssätt för att designa ML-system som är pålitliga, skalbara, underhållbara och anpassningsbara till förändrade miljöer och affärskrav.
Författaren Chip Huyen, medgrundare av Claypot AI, betraktar varje designbeslut – såsom hur man bearbetar och skapar träningsdata, vilka funktioner man ska använda, hur ofta man ska träna om modeller och vad man ska övervaka – i kontexten av hur det kan hjälpa ditt system som helhet att uppnå sina mål.. Den iterativa ramen i den här boken använder faktiska fallstudier som stöds av rikliga referenser.
Den här boken hjälper dig att hantera scenarier som:
Tekniska data och att välja rätt mätvärden för att lösa ett affärsproblem
Automatisera processen för kontinuerlig utveckling, utvärdering, driftsättning och uppdatering av modeller
Att utveckla ett övervakningssystem för att snabbt upptäcka och åtgärda problem som dina modeller kan stöta på i produktion
Att designa en ML-plattform som fungerar för olika användningsfall
Att utveckla ansvarsfulla ML-system
Om författaren
Chip Huyen är en medgrundare av Claypot AI, en plattform för maskininlärning i realtid. Genom sitt arbete hos NVIDIA, Netflix och Snorkel AI har hon hjälpt några av världens största organisationer att utveckla och driftsätta system för maskininlärning.. Hon undervisar i CS 329S: Design av maskininlärningssystem vid Stanford, vars föreläsningsanteckningar den här boken bygger på.
Återbetalning vid utebliven leverans
