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 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.

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