Design Patterns für Machine Learning
Entwurfsmuster für Datenaufbereitung, Modellbildung und MLOps
Diese Publikation zitieren
Accesses
Quotes
Beschreibung / Abstract
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.
Beschreibung
Sara Robinson ist Developer Advocate im Google-Cloud-Team, sie ist spezialisiert auf Machine Learning.
Michael Munn ist ML Solutions Engineer bei Google. Er unterstützt Kunden bei der Entwicklung, Implementierung und Bereitstellung von Machine-Learning-Modellen.
Inhaltsverzeichnis
- BEGINN
- Inhalt
- Vorwort
- Kapitel 1: Der Bedarf an Entwurfsmustern für maschinelles Lernen
- Was sind Entwurfsmuster?
- Wie Sie dieses Buch verwenden
- Terminologie für maschinelles Lernen
- Allgemeine Herausforderungen beim maschinellen Lernen
- Zusammenfassung
- Kapitel 2: Entwurfsmuster für die Datendarstellung
- Einfache Datendarstellungen
- Entwurfsmuster 1: Hashed Feature
- Entwurfsmuster 2: Einbettungen
- Entwurfsmuster 3: Feature Cross
- Entwurfsmuster 4: Multimodale Eingabe
- Zusammenfassung
- Kapitel 3: Entwurfsmuster zur Problemdarstellung
- Entwurfsmuster 5: Reframing
- Entwurfsmuster 6: Multilabel
- Entwurfsmuster 7: Ensemble
- Entwurfsmuster 8: Kaskade
- Entwurfsmuster 9: Neutrale Klasse
- Entwurfsmuster 10: Rebalancing
- Zusammenfassung
- Kapitel 4: Entwurfsmuster für das Modelltraining
- Typische Trainingsschleife
- Entwurfsmuster 11: Nützliche Überanpassung
- Entwurfsmuster 12: Checkpoints
- Entwurfsmuster 13: Transfer Learning
- Entwurfsmuster 14: Verteilungsstrategie
- Entwurfsmuster 15: Hyperparameter-Abstimmung
- Zusammenfassung
- Kapitel 5: Entwurfsmuster für robustes Serving
- Entwurfsmuster 16: Zustandslose Serving-Funktion
- Entwurfsmuster 17: Batch-Serving
- Entwurfsmuster 18: Kontinuierliche Modellbewertung
- Entwurfsmuster 19: Zweiphasen-Vorhersagen
- Entwurfsmuster 20: Keyed Predictions
- Zusammenfassung
- Kapitel 6: Entwurfsmuster für Reproduzierbarkeit
- Entwurfsmuster 21: Transformation
- Entwurfsmuster 22: Wiederholbare Aufteilung
- Entwurfsmuster 23: Bridged Schema
- Entwurfsmuster 24: Windowed Inference
- Entwurfsmuster 25: Workflow-Pipeline
- Entwurfsmuster 26: Feature Store
- Entwurfsmuster 27: Modellversionierung
- Zusammenfassung
- Kapitel 7: Verantwortungsbewusste KI
- Entwurfsmuster 28: Heuristischer Benchmark
- Entwurfsmuster 29: Erklärbare Vorhersagen
- Entwurfsmuster 30: Fairness Lens
- Zusammenfassung
- Kapitel 8: Verbundene Muster
- Muster-Referenz
- Wechselwirkungen von Mustern
- Muster in ML-Projekten
- Allgemeine Muster nach Anwendungsfall und Datentyp
- Index