幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

機器學習項目交付實戰

  • 作者：(美)本·威爾遜|責編:王軍|譯者:李曉峰//逄金輝//殷海英
  • 出版社：清華大學
  • ISBN：9787302637424
  • 出版日期：2023/07/01
  • 裝幀：平裝
  • 頁數：465
人民幣：RMB 128 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    《機器學習項目交付實戰》將介紹如何從模型和數據中獲取最佳性能，幫助你構建穩定的數據管道。通過高效的可復用技術集合，來確保應用程序工作流程的順利執行，以及提高模型的可維護性。基於數十年的良好軟體工程實踐，機器學習工程可確保你的機器學習系統具有彈性、適應性和可執行性。
    《機器學習項目交付實戰》將介紹設計、構建和交付成功的機器學習項目的核心原則和上佳實踐。你將了解很多軟體工程技術，例如對原型進行實驗和實施模塊化設計，從而產生彈性架構和一致的跨團隊溝通。基於作者豐富的經驗，本書中的每一種方法都被成功地用於解決現實世界中的問題。
作者介紹
(美)本·威爾遜|責編:王軍|譯者:李曉峰//逄金輝//殷海英
    本·威爾遜（Ben Wilson）是一名機器學習工程師，曾擔任過核工程技術員、半導體工藝工程師和數據科學家。十多年來，他一直在解決數據和開源工具方面的問題，在過去的4年裡他幫助其他人完成相同的工作。他喜歡構建機器學習框架代碼，幫助人們思考有挑戰性的數據科學問題，並喜歡開懷大笑。
目錄
第Ⅰ部分  機器學習工程簡介
  第1章  什麼是機器學習工程
    1.1  為什麼使用機器學習工程
    1.2  機器學習工程的核心原則
      1.2.1  規劃
      1.2.2  範圍界定和研究
      1.2.3  實驗
      1.2.4  研發
      1.2.5  部署
      1.2.6  評估
    1.3  機器學習工程的目標
    1.4  本章小結
  第2章  數據科學工程
    2.1  用提高項目成功率的過程增強複雜的專業
    2.2  簡單的基礎
    2.3  敏捷軟體工程的工作原則
      2.3.1  溝通與合作
      2.3.2  擁抱並期待改變
    2.4  機器學習工程的基礎
    2.5  本章小結
  第3章  在建模之前：規劃和確定項目範圍
    3.1  規劃：你要我預測什麼
      3.1.1  項目的基本規劃
      3.1.2  首次會議
      3.1.3  規劃演示——進行大量演示
      3.1.4  通過解決方案構建進行實驗：磨刀不誤砍柴工
    3.2  實驗範圍：設定預期和界限
      3.2.1  什麼是實驗範圍
      3.2.2  機器學習團隊的實驗範圍：研究
      3.2.3  機器學習團隊的實驗範圍：實驗
    3.3  本章小結
  第4章  建模之前：項目的溝通與邏輯
    4.1  溝通：定義問題
      4.1.1  理解問題
      4.1.2  設置嚴格的討論界限
    4.2  不要浪費時間：與跨職能團隊交流
      4.2.1  實驗變更會議：我們知道自己在做什麼嗎
      4.2.2  SME 評審/原型評審：我們能解決這個問題嗎
      4.2.3  開發進度評審：這會奏效嗎
      4.2.4  MVP評審：是否生成了我們要求的內容
      4.2.5  預投產評審：我們真希望沒有搞砸
    4.3  為實驗設定限制
      4.3.1  設置時限
      4.3.2  可以投入生產嗎？你想維護它嗎
      4.3.3  機器學習項目的TDD、RDD、PDD和CDD
    4.4  為混亂的業務規則做計劃
      4.4.1  通過計劃「擁抱混亂」
      4.4.2  「人機迴環」設計
      4.4.3  你的備選方案是什麼
    4.5  對結果進行討論

    4.6  本章小結
  第5章  進行實驗：規劃和研究機器學習項目
    5.1  設計實驗
      5.1.1  進行基礎的研究和規劃
      5.1.2  扔掉博客——仔細閱讀API文檔
      5.1.3  抽籤決定內部黑客馬拉松
      5.1.4  公平競爭環境
    5.2  執行實驗準備工作
      5.2.1  執行數據分析
      5.2.2  從腳本轉向可重用代碼
      5.2.3  為實驗構建可重用代碼的最後說明
    5.3  本章小結
  第6章  進行實驗：測試與評估
    6.1  測試想法
      6.1.1  在代碼中設置準則
      6.1.2  運行快速預測測試
    6.2  減少可能性
      6.2.1  正確評估原型
      6.2.2  決定前進的方向
      6.2.3  接下來做什麼
    6.3  本章小結
  第7章  實踐實驗：從原型到MVP
    7.1  調整：自動化那些惱人的過程
      7.1.1  調優選項
      7.1.2  Hyperopt入門
      7.1.3  使用Hyperopt調優複雜的預測問題
    7.2  為平台和團隊選擇合適的技術
      7.2.1  使用Spark的理由
      7.2.2  用SparkTrials處理來自Driver的調優
      7.2.3  用pandas_udf處理來自Worker的調優
      7.2.4  為團隊使用新範式：平台和技術
    7.3  本章小結
  第8章  動手實戰：使用MLflow和運行時優化實現MVP
    8.1  日誌記錄：代碼、指標和結果
      8.1.1  MLflow跟蹤
      8.1.2  不要通過列印記錄日誌
      8.1.3  版本控制、分支策略和與他人合作
    8.2  可伸縮性和併發性
      8.2.1  什麼是併發
      8.2.2  哪些內容可以（或不可以）非同步運行
    8.3  本章小結
第Ⅱ部分  為投產做準備：創建可維護的機器學習項目
  第9章  機器學習中的模塊化：編寫可測試且易讀的代碼
    9.1  單片腳本及其缺點
      9.1.1  「巨石」是如何形成的
      9.1.2  文本牆
      9.1.3  單片腳本的注意事項
    9.2  調試文本牆
    9.3  對機器學習代碼進行模塊化設計
    9.4  機器學習的測試驅動開發

    9.5  本章小結
  第10章  編碼標準和創建可維護的機器學習代碼
    10.1  機器學習的代碼異味
    10.2  命名、結構和代碼體系結構
      10.2.1  命名約定和結構
      10.2.2  別耍小聰明
      10.2.3  代碼體系結構
    10.3  元組解包和可維護的替代方案
      10.3.1  元組解包示例
      10.3.2  元組解包的可靠替代方案
    10.4  對問題視而不見：「飲食異常」和其他不良做法
      10.4.1  精準使用try/catch
      10.4.2  精心設計的異常處理
      10.4.3  正確處理錯誤
    10.5  使用全局可變對象
      10.5.1  易變性會如何傷害你
      10.5.2  封裝以防止可變性帶來的副作用
    10.6  過多的嵌套的邏輯
    10.7  本章小結
  第11章  模型測量及其重要性
    11.1  測量模型歸因
      11.1.1  測量預測性能
      11.1.2  明確相關性與因果關係
    11.2  利用A/B檢驗進行歸因計算
      11.2.1  A/B檢驗基礎
      11.2.2  連續評估指標
      11.2.3  使用替代顯示和檢驗
      11.2.4  評估分類指標
    11.3  本章小結
  第12章  通過觀察漂移以保持你的收益
    12.1  檢測漂移
    12.2  解決漂移問題
      12.2.1  我們可以做些什麼
      12.2.2  應對漂移
    12.3  本章小結
  第13章  機器學習中的開發「傲慢」
    13.1  優雅的複雜性與過度設計
      13.1.1  輕量級腳本風格（命令式）
      13.1.2  「精心設計」的混亂
    13.2  無意混淆：如果不是你寫的，你能否讀懂
      13.2.1  關於混淆
      13.2.2  總結不良編碼習慣
    13.3  不成熟的泛化、不成熟的優化以及其他顯示你有多聰明的糟糕方式
      13.3.1  泛化和框架：除非不得已，否則不要使用它們
      13.3.2  過早優化
    13.4  你真的想作為「煤礦中的金絲雀」嗎？Alpha測試和開源「煤礦」中的危險
    13.5  技術驅動的開發與解決方案驅動的開發
    13.6  本章小結
第Ⅲ部分  開發生產機器學習代碼
  第14章  編寫生產代碼

    14.1  你見到了你的數據嗎
      14.1.1  確保你有數據
      14.1.2  檢查數據來源
      14.1.3  找到真相的來源並與之保持一致
      14.1.4  不要將數據清理嵌入生產代碼中
    14.2  監控你的特徵
    14.3  監控模型生命周期中的所有其他內容
    14.4  保持一切盡可能簡單
      14.4.1  問題定義的簡潔性
      14.4.2  簡單的實現
    14.5  機器學習項目的線框圖
    14.6  避免機器學習中的貨物崇拜行為
    14.7  本章小結
  第15章  質量和驗收測試
    15.1  數據一致性
      15.1.1  訓練和推理偏差
      15.1.2  特徵存儲簡介
      15.1.3  過程勝於技術
      15.1.4  數據孤島的危險
    15.2  回退和冷啟動
      15.2.1  嚴重依賴現有技術
      15.2.2  冷啟動問題
    15.3  最終用戶與內部使用測試
      15.3.1  有偏見的測試
      15.3.2  自己公司的員工測試自研的產品（dogfooding）
      15.3.3  SME評估
    15.4  模型的可解釋性
      15.4.1  Shapley加法解釋
      15.4.2  使用shap包
    15.5  本章小結
  第16章  生產環境基礎設施
    16.1  工件管理
      16.1.1  MLflow的模型註冊
      16.1.2  使用模型註冊進行連接
    16.2  特徵庫
      16.2.1  特徵庫的用途
      16.2.2  使用特徵庫
      16.2.3  評估特徵庫
    16.3  預測服務體系結構
      16.3.1  確定服務需求
      16.3.2  批量外部交付
      16.3.3  微批量流式傳輸
      16.3.4  實時伺服器端
      16.3.5  集成模型（邊緣部署）
    16.4  本章小結
附錄A  Big O以及如何考慮運行時性能
附錄B  設置開發環境

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032