Design Patterns für Machine Learning

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.

Autor*in

Valliappa Lakshmanan

Themen in »Design Patterns für Machine Learning«

AI Artificial Intelligence Deep Learning KI Künstliche Intelligenz Maschinelles Lernen Neuronale Netze Python Statistische Datenanalyse Machine Learning Operations Entwurfsmuster TensorFlow PyTorch scikit-learn DevOps

Stimmen zu »Design Patterns für Machine Learning«

Details

Link teilen