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