Проектирование систем машинного обучения

Ниже — практический обзор по теме «машинного».

Книга, основанная на стэнфордском учебном курсе, не ограничивается разбором конкретных библиотек, а описывает высокоуровневый подход к разработке систем машинного обучения, который упрощает их поддержку и развитие, позволяет избежать переобучения, искажения результатов. Сегодня машинное обучение – основной практический аппарат для применения искусственного интеллекта. Рассказано, как сделать новую систему машинного обучения или нейронную сеть, надёжной, репрезентативной и расширяемой, а также качественно доработать уже существующие системы. Также показано, как подобрать библиотеки и алгоритмы с учётом имеющегося множества данных и действующих бизнес-требований, конструировать признаки и отслеживать метрики.

Книга адресована программистам и специалистам по data science

Существует множество книг, курсов и ресурсов, посвященных теориям машинного обучения, и поэтому в этой книге эти концепции уходят в сторону, чтобы сосредоточиться на практических аспектах машинного обучения. Чем эта книга не являетсяЭта книга не является введением в ML. Чтобы быть конкретным, книга предполагает, что читатели имеют базовое понимание следующих тем:

Модели машинного обучения , такие как кластеризация, логистическая регрессия, деревья решений, совместная фильтрация и различные архитектуры нейронных сетей, включая упреждающую, рекуррентную, сверточную и трансформирующую.

Методы машинного обучения , такие как контролируемое и неконтролируемое, градиентный спуск, возможность цели/потери, регуляризация, обобщение и конфигурация гиперпараметров.

Такие метрики , как точность, F1, точность, полнота, ROC, среднеквадратическая ошибка и логарифмическая вероятность.

Статистические концепции, такие как дисперсия, вероятность и нормальное/длинное распределение.

Общие задачи машинного обучения, такие как языковое моделирование, обнаружение аномалий, классификация объектов и машинный перевод.

Ключевые особенностиИнжиниринг данных и выбор нужных метрик, помогающих правильно решить задачу

Автоматизация процесса, позволяющая непрерывно разрабатывать, оценивать, развёртывать и обновлять модели

Разработка мониторинговой системы, позволяющей оперативно обнаруживать и устранять проблемы, которые могут возникать в реальном использовании

Выстраивание платформы машинного обучения, которая была бы применима сразу во многих практических ситуациях

Ответственный подход к разработке систем машинного обучения

Лёгкие подходы к машинному обучению исчерпаны. Книга основана на стэнфордском учебном курсеСегодня машинное (ML) и глубокое (DL) обучение неотделимы от понятий искусственного интеллекта и анализа данных. Требуется иметь дело с синтетическими данными, заниматься конструированием признаков (feature engineering), бороться с переобучением, выбросами, состязательными атаками, а также учитывать человеческий фактор в машинном обучении.

Автор подробно описывает, как готовить тренировочные наборы данных, конструировать признаки, доводить модели до совершенства, не переобучая их, как подбирать метрики и что именно отслеживать.

Вы узнаете, как сделать новую ML-систему или нейронную сеть удобной в поддержке, надёжной, репрезентативной и расширяемой. В книге представлен целостный подход к проектированию систем машинного обучения. Показано, как грамотно подобрать библиотеки и алгоритмы с учётом имеющегося множества данных и действующих бизнес-требований.

Если материал оказался полезен — сохраните страницу.