Design Patterns für Machine Learning
Michael Munn, Sara Robinson, Valliappa Lakshmanan, et al.
* Affiliatelinks/Werbelinks
Links auf reinlesen.de sind sogenannte Affiliate-Links. Wenn du auf so einen Affiliate-Link klickst und über diesen Link einkaufst, bekommt reinlesen.de von dem betreffenden Online-Shop oder Anbieter eine Provision. Für dich verändert sich der Preis nicht.
Naturwissenschaften, Medizin, Informatik, Technik / Programmiersprachen
Beschreibung
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.
Kundenbewertungen
DevOps, PyTorch, Statistische Datenanalyse, Artificial Intelligence, AI, Entwurfsmuster, scikit-learn, Künstliche Intelligenz, Maschinelles Lernen, Neuronale Netze, Deep Learning, TensorFlow, Machine Learning Operations, KI, Python