Große Auswahl an günstigen Büchern
Schnelle Lieferung per Post und DHL

Design Patterns für Machine Learning

enthalten in Animals-Reihe

Über Design Patterns für Machine Learning

Bewährte Praxislösungen für komplexe Machine-Learning-Aufgaben Behandelt alle Phasen der ML-Produktpipeline Klar strukturierter Aufbau, der dafür sorgt, dass sich Konzepte und Zusammenhänge rasch erschließen Fokus auf TensorFlow, aber auch übertragbar auf PyTorch-Projekte Die Design Patterns in diesem Buch zeigen praxiserprobte Lösungen für wiederkehrende Aufgaben im Machine Learning. Die Autor:innen - ML-Experten bei Google - beschreiben Methoden, die Data Scientists helfen, typische Probleme im gesamten ML-Prozess zu bewältigen. Die Entwurfsmuster verdichten die Erfahrungen von Hunderten von Expert:innen zu klar strukturierten, zugänglichen Best Practices. Das Buch bietet detaillierte Erläuterungen zu 30 Mustern für die Daten- und Problemdarstellung, Operationalisierung, Wiederholbarkeit, Reproduzierbarkeit, Flexibilität, Erklärbarkeit und Fairness. Zu jedem Muster erhalten Sie eine Beschreibung des Problems, eine Vielzahl möglicher Lösungen sowie Empfehlungen, welche Technik die beste für Ihre Problemstellung ist. Erfahren Sie, wie Sie: Herausforderungen beim Trainieren, Bewerten und Deployen von ML-Modellen erkennen und überwinden Daten für verschiedene ML-Modelltypen mit Einbettungen, Feature Crosses und mehr darstellen den richtigen Modelltyp für bestimmte Fragestellungen auswählen eine robuste Trainingsschleife mit Checkpoints, Verteilungsstrategie und Hyperparameter-Tuning erstellen skalierbare ML-Systeme deployen, die bei erneutem Training aktuelle Daten berücksichtigen Modellvorhersagen für Stakeholder interpretieren Modellgenauigkeit, Reproduzierbarkeit, Resilienz und Fairness verbessern

Mehr anzeigen
  • Sprache:
  • Deutsch
  • ISBN:
  • 9783960091646
  • Einband:
  • Taschenbuch
  • Seitenzahl:
  • 430
  • Veröffentlicht:
  • 11. November 2021
  • Abmessungen:
  • 163x25x238 mm.
  • Gewicht:
  • 784 g.
  Versandkostenfrei
  Sofort lieferbar

Beschreibung von Design Patterns für Machine Learning

Bewährte Praxislösungen für komplexe Machine-Learning-Aufgaben

Behandelt alle Phasen der ML-Produktpipeline

Klar strukturierter Aufbau, der dafür sorgt, dass sich Konzepte und Zusammenhänge rasch erschließen

Fokus auf TensorFlow, aber auch übertragbar auf PyTorch-Projekte

Die Design Patterns in diesem Buch zeigen praxiserprobte Lösungen für wiederkehrende Aufgaben im Machine Learning. Die Autor:innen - ML-Experten bei Google - beschreiben Methoden, die Data Scientists helfen, typische Probleme im gesamten ML-Prozess zu bewältigen. Die Entwurfsmuster verdichten die Erfahrungen von Hunderten von Expert:innen zu klar strukturierten, zugänglichen Best Practices.

Das Buch bietet detaillierte Erläuterungen zu 30 Mustern für die Daten- und Problemdarstellung, Operationalisierung, Wiederholbarkeit, Reproduzierbarkeit, Flexibilität, Erklärbarkeit und Fairness. Zu jedem Muster erhalten Sie eine Beschreibung des Problems, eine Vielzahl möglicher Lösungen sowie Empfehlungen, welche Technik die beste für Ihre Problemstellung ist.

Erfahren Sie, wie Sie:

Herausforderungen beim Trainieren, Bewerten und Deployen von ML-Modellen erkennen und überwinden

Daten für verschiedene ML-Modelltypen mit Einbettungen, Feature Crosses und mehr darstellen

den richtigen Modelltyp für bestimmte Fragestellungen auswählen

eine robuste Trainingsschleife mit Checkpoints, Verteilungsstrategie und Hyperparameter-Tuning erstellen

skalierbare ML-Systeme deployen, die bei erneutem Training aktuelle Daten berücksichtigen

Modellvorhersagen für Stakeholder interpretieren

Modellgenauigkeit, Reproduzierbarkeit, Resilienz und Fairness verbessern

Kund*innenbewertungen von Design Patterns für Machine Learning



Ähnliche Bücher finden
Das Buch Design Patterns für Machine Learning ist in den folgenden Kategorien erhältlich:

Willkommen bei den Tales Buchfreunden und -freundinnen

Jetzt zum Newsletter anmelden und tolle Angebote und Anregungen für Ihre nächste Lektüre erhalten.