Patrones de diseño de aprendizaje automático: Soluciones a retos comunes en la preparación de datos, construcción de modelos y Mlops

Opiniones de los lectores

El libro ha sido bien recibido por su visión práctica de los patrones de diseño del aprendizaje automático y constituye un valioso recurso tanto para principiantes como para profesionales experimentados. Sin embargo, ha recibido críticas por estar excesivamente centrado en las tecnologías de Google y carecer de profundidad en ciertas áreas.

Proporciona una sólida comprensión del conjunto de herramientas de aprendizaje automático y los patrones de diseño.

Bien escrito con buenos ejemplos que se corresponden con el uso práctico.

(basado en 39 opiniones de lectores)

Título original:

Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and Mlops

Contenido del libro:

Los patrones de diseño de este libro recogen las mejores prácticas y soluciones a problemas recurrentes en el aprendizaje automático. Los autores, tres ingenieros de Google, catalogan métodos probados para ayudar a los científicos de datos a abordar problemas comunes a lo largo del proceso de ML. Estos patrones de diseño codifican la experiencia de cientos de expertos en consejos sencillos y accesibles.

En este libro encontrará explicaciones detalladas de 30 patrones para la representación de datos y problemas, la operacionalización, la repetibilidad, la reproducibilidad, la flexibilidad, la explicabilidad y la equidad. Cada patrón incluye una descripción del problema, una variedad de soluciones potenciales y recomendaciones para elegir la mejor técnica para su situación.

Aprenderá a:

⬤ Identificar y mitigar desafíos comunes al entrenar, evaluar y desplegar modelos ML.

⬤ Representar datos para diferentes tipos de modelos ML, incluyendo incrustaciones, cruces de características y más.

⬤ Elegir el tipo de modelo adecuado para problemas específicos.

⬤ Construir un bucle de entrenamiento robusto que utilice puntos de control, estrategia de distribución y ajuste de hiperparámetros.

⬤ Despliegue sistemas de ML escalables que pueda volver a entrenar y actualizar para reflejar nuevos datos.

⬤ Interpretar las predicciones del modelo para las partes interesadas y garantizar que los modelos tratan a los usuarios de forma justa.