Design Patterns für Machine Learning
Entwurfsmuster für Datenaufbereitung, Modellbildung und MLOps
1st Edition
Published on 10. November 2021
432 pages
978-3-96010-596-1 (ISBN)
Available for download
Description
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.
More details
Other editions
Additional editions
Valliappa Lakshmanan | Sara Robinson | Michael Munn
Design Patterns für Machine Learning
Entwurfsmuster für Datenaufbereitung, Modellbildung und MLOps - Best Practices für die gesamte ML-Pipeline
Book
11/2021
1st Edition
O'Reilly
€44.90
Available immediately
Valliappa Lakshmanan | Sara Robinson | Michael Munn
Design Patterns für Machine Learning
Entwurfsmuster für Datenaufbereitung, Modellbildung und MLOps - Best Practices für die gesamte ML-Pipeline
Book
11/2021
O'Reilly
€49.90
Article exhausted; check different version
Persons
Valliappa Lakshmanan ist Global Head für Datenanalyse und KI-Lösungen bei Google Cloud.
Sara Robinson ist Developer Advocate im Google-Cloud-Team, sie ist spezialisiert auf Machine Learning.
Michael Munn ist ML Solutions Engineer bei Google. Er unterstützt Kunden bei der Entwicklung, Implementierung und Bereitstellung von Machine-Learning-Modellen.
Content
- Cover
- Titel
- Impressum
- Inhalt
- Vorwort
- 1 Der Bedarf an Entwurfsmustern für maschinelles Lernen
- Was sind Entwurfsmuster?
- Wie Sie dieses Buch verwenden
- Terminologie für maschinelles Lernen
- Modelle und Frameworks
- Daten und Feature Engineering
- Der Prozess des maschinellen Lernens
- Tools für Daten und Modelle
- Rollen
- Allgemeine Herausforderungen beim maschinellen Lernen
- Datenqualität
- Reproduzierbarkeit
- Datendrift
- Skalieren
- Mehrere Ziele
- Zusammenfassung
- 2 Entwurfsmuster für die Datendarstellung
- Einfache Datendarstellungen
- Numerische Eingaben
- Kategoriale Eingaben
- Entwurfsmuster 1: Hashed Feature
- Problem
- Lösung
- Warum es funktioniert
- Kompromisse und Alternativen
- Entwurfsmuster 2: Einbettungen
- Problem
- Lösung
- Warum es funktioniert
- Kompromisse und Alternativen
- Entwurfsmuster 3: Feature Cross
- Problem
- Lösung
- Warum es funktioniert
- Kompromisse und Alternativen
- Entwurfsmuster 4: Multimodale Eingabe
- Problem
- Lösung
- Kompromisse und Alternativen
- Zusammenfassung
- 3 Entwurfsmuster zur Problemdarstellung
- Entwurfsmuster 5: Reframing
- Problem
- Lösung
- Warum es funktioniert
- Kompromisse und Alternativen
- Entwurfsmuster 6: Multilabel
- Problem
- Lösung
- Kompromisse und Alternativen
- Entwurfsmuster 7: Ensemble
- Problem
- Lösung
- Warum es funktioniert
- Kompromisse und Alternativen
- Entwurfsmuster 8: Kaskade
- Problem
- Lösung
- Kompromisse und Alternativen
- Entwurfsmuster 9: Neutrale Klasse
- Problem
- Lösung
- Warum es funktioniert
- Kompromisse und Alternativen
- Entwurfsmuster 10: Rebalancing
- Problem
- Lösung
- Kompromisse und Alternativen
- Zusammenfassung
- 4 Entwurfsmuster für das Modelltraining
- Typische Trainingsschleife
- Stochastischer Gradientenabstieg
- Keras-Trainingsschleife
- Training-Entwurfsmuster
- Entwurfsmuster 11: Nützliche Überanpassung
- Problem
- Lösung
- Warum es funktioniert
- Kompromisse und Alternativen
- Entwurfsmuster 12: Checkpoints
- Problem
- Lösung
- Warum es funktioniert
- Kompromisse und Alternativen
- Entwurfsmuster 13: Transfer Learning
- Problem
- Lösung
- Warum es funktioniert
- Kompromisse und Alternativen
- Entwurfsmuster 14: Verteilungsstrategie
- Problem
- Lösung
- Warum es funktioniert
- Kompromisse und Alternativen
- Entwurfsmuster 15: Hyperparameter-Abstimmung
- Problem
- Lösung
- Warum es funktioniert
- Kompromisse und Alternativen
- Zusammenfassung
- 5 Entwurfsmuster für robustes Serving
- Entwurfsmuster 16: Zustandslose Serving-Funktion
- Problem
- Lösung
- Warum es funktioniert
- Kompromisse und Alternativen
- Entwurfsmuster 17: Batch-Serving
- Problem
- Lösung
- Warum es funktioniert
- Kompromisse und Alternativen
- Entwurfsmuster 18: Kontinuierliche Modellbewertung
- Problem
- Lösung
- Warum es funktioniert
- Kompromisse und Alternativen
- Entwurfsmuster 19: Zweiphasen-Vorhersagen
- Problem
- Lösung
- Kompromisse und Alternativen
- Entwurfsmuster 20: Keyed Predictions
- Problem
- Lösung
- Kompromisse und Alternativen
- Zusammenfassung
- 6 Entwurfsmuster für Reproduzierbarkeit
- Entwurfsmuster 21: Transformation
- Problem
- Lösung
- Kompromisse und Alternativen
- Entwurfsmuster 22: Wiederholbare Aufteilung
- Problem
- Lösung
- Kompromisse und Alternativen
- Entwurfsmuster 23: Bridged Schema
- Problem
- Lösung
- Kompromisse und Alternativen
- Entwurfsmuster 24: Windowed Inference
- Problem
- Lösung
- Kompromisse und Alternativen
- Entwurfsmuster 25: Workflow-Pipeline
- Problem
- Lösung
- Warum es funktioniert
- Kompromisse und Alternativen
- Entwurfsmuster 26: Feature Store
- Problem
- Lösung
- Warum es funktioniert
- Kompromisse und Alternativen
- Entwurfsmuster 27: Modellversionierung
- Problem
- Lösung
- Kompromisse und Alternativen
- Zusammenfassung
- 7 Verantwortungsbewusste KI
- Entwurfsmuster 28: Heuristischer Benchmark
- Problem
- Lösung
- Kompromisse und Alternativen
- Entwurfsmuster 29: Erklärbare Vorhersagen
- Problem
- Lösung
- Kompromisse und Alternativen
- Entwurfsmuster 30: Fairness Lens
- Problem
- Lösung
- Kompromisse und Alternativen
- Zusammenfassung
- 8 Verbundene Muster
- Muster-Referenz
- Wechselwirkungen von Mustern
- Muster in ML-Projekten
- ML-Lebenszyklus
- KI-Bereitschaft
- Allgemeine Muster nach Anwendungsfall und Datentyp
- Verstehen natürlicher Sprache
- Computer Vision
- Prädiktive Analytik
- Empfehlungssysteme
- Betrugs- und Anomalieerkennung
- Fußnoten
- Index
- Über die Autor:innen
- Kolophon
