Design Patterns für Machine Learning

Design Patterns für Machine Learning

by Valliappa Lakshmanan, Sara Robinson, Michael Munn
Released November 2021
Publisher(s): dpunkt
ISBN: 9783960091646

Read it now on the O’Reilly learning platform with a 10-day free trial.

O’Reilly members get unlimited access to books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.

Start your free trial

Book description

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 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.

Table of contents

  1. Cover
  2. Titel
  3. Impressum
  4. Inhalt
  5. Vorwort
  6. 1 Der Bedarf an Entwurfsmustern für maschinelles Lernen
    1. Was sind Entwurfsmuster?
    2. Wie Sie dieses Buch verwenden
    3. Terminologie für maschinelles Lernen
    4. Modelle und Frameworks
    5. Daten und Feature Engineering
    6. Der Prozess des maschinellen Lernens
    7. Tools für Daten und Modelle
    8. Rollen
    9. Allgemeine Herausforderungen beim maschinellen Lernen
    10. Datenqualität
    11. Reproduzierbarkeit
    12. Datendrift
    13. Skalieren
    14. Mehrere Ziele
    15. Zusammenfassung
  7. 2 Entwurfsmuster für die Datendarstellung
    1. Einfache Datendarstellungen
    2. Numerische Eingaben
    3. Kategoriale Eingaben
    4. Entwurfsmuster 1: Hashed Feature
    5. Problem
    6. Lösung
    7. Warum es funktioniert
    8. Kompromisse und Alternativen
    9. Entwurfsmuster 2: Einbettungen
    10. Problem
    11. Lösung
    12. Warum es funktioniert
    13. Kompromisse und Alternativen
    14. Entwurfsmuster 3: Feature Cross
    15. Problem
    16. Lösung
    17. Warum es funktioniert
    18. Kompromisse und Alternativen
    19. Entwurfsmuster 4: Multimodale Eingabe
    20. Problem
    21. Lösung
    22. Kompromisse und Alternativen
    23. Zusammenfassung
  8. 3 Entwurfsmuster zur Problemdarstellung
    1. Entwurfsmuster 5: Reframing
    2. Problem
    3. Lösung
    4. Warum es funktioniert
    5. Kompromisse und Alternativen
    6. Entwurfsmuster 6: Multilabel
    7. Problem
    8. Lösung
    9. Kompromisse und Alternativen
    10. Entwurfsmuster 7: Ensemble
    11. Problem
    12. Lösung
    13. Warum es funktioniert
    14. Kompromisse und Alternativen
    15. Entwurfsmuster 8: Kaskade
    16. Problem
    17. Lösung
    18. Kompromisse und Alternativen
    19. Entwurfsmuster 9: Neutrale Klasse
    20. Problem
    21. Lösung
    22. Warum es funktioniert
    23. Kompromisse und Alternativen
    24. Entwurfsmuster 10: Rebalancing
    25. Problem
    26. Lösung
    27. Kompromisse und Alternativen
    28. Zusammenfassung
  9. 4 Entwurfsmuster für das Modelltraining
    1. Typische Trainingsschleife
    2. Stochastischer Gradientenabstieg
    3. Keras-Trainingsschleife
    4. Training-Entwurfsmuster
    5. Entwurfsmuster 11: Nützliche Überanpassung
    6. Problem
    7. Lösung
    8. Warum es funktioniert
    9. Kompromisse und Alternativen
    10. Entwurfsmuster 12: Checkpoints
    11. Problem
    12. Lösung
    13. Warum es funktioniert
    14. Kompromisse und Alternativen
    15. Entwurfsmuster 13: Transfer Learning
    16. Problem
    17. Lösung
    18. Warum es funktioniert
    19. Kompromisse und Alternativen
    20. Entwurfsmuster 14: Verteilungsstrategie
    21. Problem
    22. Lösung
    23. Warum es funktioniert
    24. Kompromisse und Alternativen
    25. Entwurfsmuster 15: Hyperparameter-Abstimmung
    26. Problem
    27. Lösung
    28. Warum es funktioniert
    29. Kompromisse und Alternativen
    30. Zusammenfassung
  10. 5 Entwurfsmuster für robustes Serving
    1. Entwurfsmuster 16: Zustandslose Serving-Funktion
    2. Problem
    3. Lösung
    4. Warum es funktioniert
    5. Kompromisse und Alternativen
    6. Entwurfsmuster 17: Batch-Serving
    7. Problem
    8. Lösung
    9. Warum es funktioniert
    10. Kompromisse und Alternativen
    11. Entwurfsmuster 18: Kontinuierliche Modellbewertung
    12. Problem
    13. Lösung
    14. Warum es funktioniert
    15. Kompromisse und Alternativen
    16. Entwurfsmuster 19: Zweiphasen-Vorhersagen
    17. Problem
    18. Lösung
    19. Kompromisse und Alternativen
    20. Entwurfsmuster 20: Keyed Predictions
    21. Problem
    22. Lösung
    23. Kompromisse und Alternativen
    24. Zusammenfassung
  11. 6 Entwurfsmuster für Reproduzierbarkeit
    1. Entwurfsmuster 21: Transformation
    2. Problem
    3. Lösung
    4. Kompromisse und Alternativen
    5. Entwurfsmuster 22: Wiederholbare Aufteilung
    6. Problem
    7. Lösung
    8. Kompromisse und Alternativen
    9. Entwurfsmuster 23: Bridged Schema
    10. Problem
    11. Lösung
    12. Kompromisse und Alternativen
    13. Entwurfsmuster 24: Windowed Inference
    14. Problem
    15. Lösung
    16. Kompromisse und Alternativen
    17. Entwurfsmuster 25: Workflow-Pipeline
    18. Problem
    19. Lösung
    20. Warum es funktioniert
    21. Kompromisse und Alternativen
    22. Entwurfsmuster 26: Feature Store
    23. Problem
    24. Lösung
    25. Warum es funktioniert
    26. Kompromisse und Alternativen
    27. Entwurfsmuster 27: Modellversionierung
    28. Problem
    29. Lösung
    30. Kompromisse und Alternativen
    31. Zusammenfassung
  12. 7 Verantwortungsbewusste KI
    1. Entwurfsmuster 28: Heuristischer Benchmark
    2. Problem
    3. Lösung
    4. Kompromisse und Alternativen
    5. Entwurfsmuster 29: Erklärbare Vorhersagen
    6. Problem
    7. Lösung
    8. Kompromisse und Alternativen
    9. Entwurfsmuster 30: Fairness Lens
    10. Problem
    11. Lösung
    12. Kompromisse und Alternativen
    13. Zusammenfassung
  13. 8 Verbundene Muster
    1. Muster-Referenz
    2. Wechselwirkungen von Mustern
    3. Muster in ML-Projekten
    4. ML-Lebenszyklus
    5. KI-Bereitschaft
    6. Allgemeine Muster nach Anwendungsfall und Datentyp
    7. Verstehen natürlicher Sprache
    8. Computer Vision
    9. Prädiktive Analytik
    10. Empfehlungssysteme
    11. Betrugs- und Anomalieerkennung
  14. Fußnoten
  15. Index
  16. Über die Autor:innen
  17. Kolophon

Product information

  • Title: Design Patterns für Machine Learning
  • Author(s): Valliappa Lakshmanan, Sara Robinson, Michael Munn
  • Release date: November 2021
  • Publisher(s): dpunkt
  • ISBN: 9783960091646