出版社：碁峰(歐萊禮)
出版日期：2021年5月26日
ISBN:9789865027889
書號：A665
定價：680元 售價：537元
有看部落格的才有此優惠喔
也可到露天購買https://www.ruten.com.tw/item/show?22121741465386
yahoo購買https://tw.bid.yahoo.com/item/%E7%9B%8A%E5%A4%A7%E8%B3%87%E8%A8%8A-%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92%E8%A8%AD%E8%A8%88%E6%A8%A1%E5%BC%8F-9789865027889-%E6%AD%90%E8%90%8A%E7%A6%AE-A66-101090396257
蝦皮購買https://shopee.tw/product/120351604/9660637824/
pchome 商店街購買https://seller.pcstore.com.tw/S140967598/C1439699695.htm
內容簡介
資料準備、模型建構與MLOps常見挑戰的解決方案
「本書提供了豐富的範例，如果你是資料科學家或ML工程師，而且想要了解如何使用行之有效的解決方案來處理複雜的ML問題，你一定要看這本書。」
—David Kanter
ML Commons執行長
「如果你想在建構ML解決方案的過程中減少傷害、碰撞和磨擦，Lak、Sara和Michael可以在背後支持你。」
—Will Grannis
Google Cloud CTO Office常務董事
本書的設計模式介紹常見的機器學習最佳實踐法和解決方案。作者是三位Google工程師，他們整理了一些經過驗證的方法，協助資料科學家匯整ML程序中常見的問題，用這些設計模式來將數百位專家的經驗整理成直觀、平易近人的建議。
這本書詳細地解釋30種模式，介紹資料和問題的表示法、作業化、可重複性、再現性、靈活性、可解釋性和公平性，每一種模式都包含問題描述、各種可能的解決方案，以及視情況選擇最佳技術的建議。
你將學會：
‧在訓練、評估和部署ML模型時，認出常見的挑戰並處理它們
‧表示各種ML模型的資料，包括embedding、feature cross(特徵交叉)等
‧為具體的問題選擇適合的模型
‧使用檢查點、發布策略和超參數調整來建立穩健的訓練循環
‧部署可擴展的ML系統，以便用新資料來進行重新訓練和更新
‧向關係人解釋模型為何做出那些預測，以確保模型公平地對待用戶
‧提高模型的準確性、再現性和復原力
第一章 為何需要機器學習設計模式
第二章 資料表示
第三章 問題表示
第四章 模型訓練
第五章 提供具復原力的服務
第六章 再現性
第七章 Responsible AI
第八章 連接模式
留言列表
