Building Machine Learning Powered Applications: De la idea al producto

Opiniones de los lectores

El libro 'Building Machine Learning Powered Applications: Going from Idea to Product' se considera un recurso valioso para directivos y aspirantes a científicos de datos que buscan ideas prácticas para crear aplicaciones de aprendizaje automático. Mientras que muchos críticos aprecian su estructura clara y ejemplos del mundo real, algunos lo critican por ser demasiado superficial y carecer de profundidad para los profesionales más experimentados.

Muy recomendable para jefes de equipo y para quienes se inician en la ciencia de datos.

Fácil de leer y bien estructurado.

(basado en 18 opiniones de lectores)

Título original:

Building Machine Learning Powered Applications: Going from Idea to Product

Contenido del libro:

Aprenda los conocimientos necesarios para diseñar, crear e implantar aplicaciones basadas en aprendizaje automático (ML). A lo largo de este libro práctico, construirá un ejemplo de aplicación basada en ML desde la idea inicial hasta el producto desplegado. Científicos de datos, ingenieros de software y gestores de productos -tanto profesionales experimentados como principiantes- aprenderán paso a paso las herramientas, las prácticas recomendadas y los retos que plantea la creación de una aplicación de ML en el mundo real. El autor, Emmanuel Ameisen, un experimentado científico de datos que dirigió un programa educativo de IA, demuestra conceptos prácticos de ML mediante fragmentos de código, ilustraciones, capturas de pantalla y entrevistas con líderes del sector. La Parte I enseña a planificar una aplicación de ML y a medir su éxito. La Parte II explica cómo construir un modelo de ML que funcione. La Parte III muestra formas de mejorar el modelo hasta que cumpla su visión original. La Parte IV cubre las estrategias de despliegue y monitorización. Este libro le ayudará a:

⬤ Definir el objetivo de su producto y establecer un problema de aprendizaje automático.

⬤ Construir rápidamente su primer canal de extremo a extremo y adquirir un conjunto de datos inicial.

⬤ Entrenar y evaluar sus modelos de ML y abordar los cuellos de botella de rendimiento.

⬤ Despliegue y monitorización de sus modelos en un entorno de producción.