Приводимые в книге паттерны проектирования отражают лучшие практические подходы к решению типичных задач машинного обучения. Указанные паттерны, реализованные в программном коде, сконцентрировали опыт сотен экспертов в простые и легкодоступные советы. Книга содержит подробный разбор 30 паттернов, служащих для представления данных и задач, тренировки моделей, отказоустойчивого обслуживания, обеспечения воспроизводимо-сти и искусственного интеллекта. Каждый паттерн включает в себя постановку задачи, ряд потенциальных решений и рекомендации по выбору технического приема, наилучшим образом подходящего к данной ситуации.
Для программистов в области машинного обучения

lgli/Машинное обучение. Паттерны проектирования.pdf

lgrsnf/Машинное обучение. Паттерны проектирования.pdf

zlib/Computers/Artificial Intelligence (AI)/Валиаппа Лакшманан, Майкл Мунн, Сара Робинсон/Машинное обучение. Паттерны проектирования_21346561.pdf

Machine learning design patterns : solutions to common challenges in data preparation, model building, and MLOps

Lakshmanan, Valliappa, Robinson, Sara, Munn, Michael

Valliappa Lakshmanan; Sara Robinson; Michael Munn

Валлиаппа Лакшманан, Сара Робинсон, Майкл Мунии

Лакшманан, Валлиаппа

O'Reilly Media, Incorporated

BXV-Peterburg

O'Reilly, Санкт-Петербург, Russia, 2022

United States, United States of America

O'Reilly Media, Sebastopol, CA, 2020

First edition, Sebastopol, CA, 2020

Russia, Russian Federation

1, 2020-11-03

Beijing, 2020

1, PT, 2020

Slava Ukraini!

{"edition":"1","isbns":["1098115783","5977567979","9781098115784","9785977567978"],"last_page":448,"publisher":"БХВ-Петербург"}

Пер.: Lakshmanan, Valliappa Machine learning design patterns 978-1-098-11578-4
Предм. указ.: с. 433-444

РГБ

Russian State Library [rgb] MARC:
=001 011020765
=005 20220404132846.0
=008 220321s2022\\\\ru\a\\\\\\\\\\000\|\rus|d
=017 \\ $a КН-П-22-019057 $b RuMoRKP
=020 \\ $a 978-5-9775-6797-8 (рус.) $c 1200 экз.
=040 \\ $a RuMoRKP $b rus $d RuMoRGB
=041 1\ $a rus $h eng
=044 \\ $a ru
=080 \\ $a 004.42'236 $2 4
=084 \\ $a 32.973 $2 rubbks
=084 \\ $a З973.236-01,07 $2 rubbk
=084 \\ $a З973.233-018-5-05,07 $2 rubbk
=100 1\ $a Лакшманан, Валлиаппа
=245 00 $a Машинное обучение. Паттерны проектирования : $b перевод с английского $c Валлиаппа Лакшманан, Сара Робинсон, Майкл Мунии
=246 20 $a Паттерны проектирования
=260 \\ $a Санкт-Петербург $b БХВ-Петербург $c 2022 $e Чехов, Московская область
=300 \\ $a 444 с. $b ил. $c 24 см
=336 \\ $a Текст (визуальный)
=337 \\ $a непосредственный
=490 0\ $a O'Reilly
=520 \\ $a Приводимые в книге паттерны проектирования отражают лучшие практические подходы к решению типичных задач машинного обучения. Указанные паттерны, реализованные в программном коде, сконцентрировали опыт сотен экспертов в простые и легкодоступные советы. Книга содержит подробный разбор 30 паттернов, служащих для представления данных и задач, тренировки моделей, отказоустойчивого обслуживания, обеспечения воспроизводимости и искусственного интеллекта. Каждый паттерн включает в себя постановку задачи, ряд потенциальных решений и рекомендации по выбору технического приема, наилучшим образом подходящего к данной ситуации. Для программистов в области машинного обучения
=534 \\ $p Пер.: $a Lakshmanan, Valliappa $t Machine learning design patterns $z 978-1-098-11578-4
=555 \\ $a Предм. указ.: с. 433-444
=650 \7 $a Компьютеризация обучения $2 RuMoRKP
=650 \7 $a Техника. Технические науки -- Энергетика. Радиоэлектроника -- Радиоэлектроника -- Вычислительная техника -- Вычислительные машины электронные цифровые -- Специализированные компьютеры и системы. Отдельные информационные технологии -- Образовательные системы -- Теория -- Пособие для специалиста $2 rubbk
=650 \7 $a Техника. Технические науки -- Энергетика. Радиоэлектроника -- Радиоэлектроника -- Вычислительная техника -- Вычислительные машины электронные цифровые -- Автоматическая обработка информации -- Программирование -- Автоматизация -- Пособие для специалиста $2 rubbk
=700 1\ $a Робинсон, Сара
=700 1\ $a Мунн, Майкл
=852 7\ $a РГБ $b CZ2 $h З813/Л19 $x 83
=852 \\ $a РГБ $b FB $j 2 22-16/295 $x 90

The design patterns in this book capture best practices and solutions to recurring problems in machine learning. Authors Valliappa Lakshmanan, Sara Robinson, and Michael Munn catalog the first tried-and-proven methods to help engineers tackle problems that frequently crop up during the ML process. These design patterns codify the experience of hundreds of experts into advice you can easily follow.
The authors, three Google Cloud engineers, describe 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 most appropriate remedy for your situation.
Youll 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 that models are treating users fairly

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

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.-- Source other than the Library of Congress

2022-04-15