Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps

الگوهای طراحی در این کتاب بهترین شیوه ها و راه حل ها را برای مشکلات تکرار شونده در یادگیری ماشین نشان می دهد. نویسندگان، سه مهندس گوگل، روش‌های اثبات‌شده را فهرست‌نویسی می‌کنند تا به دانشمندان داده کمک کنند تا با مشکلات رایج در سراسر فرآیند ML مقابله کنند. این الگوهای طراحی، تجربه صدها متخصص را به توصیه‌های ساده و قابل دسترس تبدیل می‌کند.

در این کتاب، توضیحات مفصلی از 30 الگو برای نمایش داده‌ها و مسئله، عملیاتی‌سازی، تکرارپذیری، تکرارپذیری، انعطاف‌پذیری، توضیح‌پذیری خواهید یافت. ، و انصاف هر الگو شامل شرحی از مشکل، انواع راه‌حل‌های بالقوه، و توصیه‌هایی برای انتخاب بهترین تکنیک برای موقعیت شما است.

شما خواهید آموخت که چگونه:

• شناسایی و کاهش چالش‌های رایج هنگام آموزش، ارزیابی و به کارگیری مدل‌های ML
• نماینده داده‌ها برای انواع مدل‌های ML، از جمله جاسازی‌ها، تلاقی ویژگی‌ها، و موارد دیگر
• نوع مدل مناسب را انتخاب کنید. مشکلات خاص
• یک حلقه آموزشی قوی بسازید که از نقاط بازرسی، استراتژی توزیع و تنظیم هایپرپارامتر استفاده می کند
• سیستم های مقیاس پذیر ML را مستقر کنید که می توانید آن ها را مجددا آموزش دهید و به روز کنید تا داده های جدید را منعکس کنید
• <. li>پیش‌بینی‌های مدل را برای ذینفعان تفسیر کنید و اطمینان حاصل کنید که مدل‌ها با کاربران منصفانه رفتار می‌کنند

The design patterns in this book capture best practices and solutions to recurring problems in machine learning. The authors, three Google engineers, catalog proven methods to help data scientists tackle common problems throughout the ML process. These design patterns codify the experience of hundreds of experts into straightforward, approachable advice.

In this book, you will find detailed explanations of 30 patterns for data and problem representation, operationalization, repeatability, reproducibility, flexibility, explainability, and fairness. Each pattern includes a description of the problem, a variety of potential solutions, and recommendations for choosing the best technique for your situation.

You'll learn how to:

• Identify and mitigate common challenges when training, evaluating, and deploying ML models
• Represent data for different ML model types, including embeddings, feature crosses, and more
• Choose the right model type for specific problems
• Build a robust training loop that uses checkpoints, distribution strategy, and hyperparameter tuning
• Deploy scalable ML systems that you can retrain and update to reflect new data
• Interpret model predictions for stakeholders and ensure models are treating users fairly