Descripción
Los patrones de diseño de este libro recogen las mejores prácticas y soluciones a problemas recurrentes en el aprendizaje automático. Los autores, tres ingenieros de Google, catalogan métodos probados para ayudar a los científicos de datos a abordar problemas comunes a lo largo del proceso de ML. Estos patrones de diseño codifican la experiencia de cientos de expertos en consejos sencillos y accesibles.
En este libro, encontrará explicaciones detalladas de 30 patrones para la representación de datos y problemas, la operacionalización, la repetibilidad, la reproducibilidad, la flexibilidad, la explicabilidad y la equidad. Cada patrón incluye una descripción del problema, una variedad de soluciones potenciales y recomendaciones para elegir la mejor técnica para su situación.
Aprenderá a:
- Identificar y mitigar desafíos comunes al entrenar, evaluar e implementar modelos de ML
- Representar datos para diferentes tipos de modelos de ML, incluidos embeddings, cruces de características y más
- Elegir el tipo de modelo adecuado para problemas específicos
- Construir un bucle de entrenamiento robusto que utilice puntos de control, estrategia de distribución y ajuste de hiperparámetros
- Implementar sistemas de ML escalables que pueda reentrenar y actualizar para reflejar nuevos datos
- Interpretar las predicciones del modelo para las partes interesadas y garantizar que los modelos traten a los usuarios de manera justa
Autor: Valliappa Lakshmanan, Sara Robinson, Michael Munn
Editorial: O'Reilly Media
Publicado: 10/11/2020
Páginas: 408
Tipo de encuadernación: Tapa blanda
Peso: 1.45lbs
Tamaño: 6.85h x 9.06w x 0.94d
ISBN13: 9781098115784
ISBN10: 1098115783
Categorías BISAC:
- Informática | Ciencia de Datos | Aprendizaje Automático
- Informática | Inteligencia Artificial | General
- Informática | Software de Negocios y Productividad | Inteligencia de Negocios
Sobre el autor
Valliappa (Lak) Lakshmanan es el Director Global de Soluciones de Análisis de Datos e IA en Google Cloud. Su equipo construye soluciones de software para problemas de negocios utilizando los productos de análisis de datos y aprendizaje automático de Google Cloud. Fundó el programa de inmersión en ML del Laboratorio de Soluciones Avanzadas de Google. Antes de Google, Lak fue Director de Ciencia de Datos en Climate Corporation y Científico Investigador en la NOAA.
Sara Robinson es Developer Advocate en el equipo de Google Cloud Platform, centrándose en el aprendizaje automático. Inspira a desarrolladores y científicos de datos a integrar ML en sus aplicaciones a través de demostraciones, contenido en línea y eventos. Sara tiene una licenciatura de la Universidad de Brandeis. Antes de Google, fue Developer Advocate en el equipo de Firebase.
Michael Munn es Ingeniero de Soluciones de ML en Google, donde trabaja con los clientes de Google Cloud para ayudarles a diseñar, implementar y desplegar modelos de aprendizaje automático. También imparte un programa de inmersión en ML en el Laboratorio de Soluciones Avanzadas. Michael tiene un doctorado en matemáticas de la City University de Nueva York. Antes de unirse a Google, trabajó como profesor investigador.