同類熱銷排行榜

高效的機器學習團隊

作者：(新加坡)大衛·譚//(澳)艾達·梁//大衛·科爾斯|責編:劉熾|譯者:黃俊彬
出版社：中國電力
ISBN：9787519899592

出版日期：2025/06/01
裝幀：平裝
頁數：410

人民幣：RMB 128 元售價：元

內容大鋼

    掌握加速交付機器學習解決方案所需的寶貴技能和技巧。通過這本實用指南，數據科學家、機器學習工程師及其領導者將學習如何以一種簡單而實際的方式，彌合數據科學與精益產品交付之間的鴻溝。本書作者將向你展示如何運用經過驗證的軟體工程技能和精益產品交付實踐，減少繁瑣和浪費，縮短反饋循環，並在構建機器學習系統和產品時提升團隊的工作流。
    本書基於作者在多個實際數據和機器學習項目中的經驗，所提供的經過驗證的技巧將幫助你的團隊避開機器學習領域中的常見陷阱，從而使你能夠更快速、更可靠地進行迭代和擴展。你將學習如何克服障礙，順暢地交付機器學習解決方案。
    你還將學習如何：
    為機器學習系統編寫自動化測試，容器化開發環境，並重構有問題的代碼庫。
    運用MLOps和CI∕CD實踐，加速實驗周期並提升機器學習解決方案的可靠性。
    運用精益交付和產品實踐，提高構建符合用戶需求的正確產品的成功率。
    確定適合的團隊結構及團隊內外的協作方式，以促進快速工作流、減少認知負擔，並在組織內推廣機器學習實踐。

作者介紹

(新加坡)大衛·譚//(澳)艾達·梁//大衛·科爾斯|責編:劉熾|譯者:黃俊彬

前言
  第1章  在交付機器學習解決方案中的挑戰與優化路徑
    1.1  ML：承諾與失望
      1.1.1  繼續看好ML
      1.1.2  為什麼ML項目會失敗
    1.2  有更好的方法嗎？系統思維和精益如何提供幫助
      1.2.1  你無法通過「MLOps」解決你的問題
      1.2.2  看到整體：以系統思維透視有效的ML交付
      1.2.3  有效交付ML所需的五項修煉
    1.3  結論
第一部分  產品和交付
  第2章  機器學習團隊的產品和交付實踐
    2.1  ML產品發現
      2.1.1  發現產品商機
      2.1.2  確定產品機會的畫布
      2.1.3  快速設計、交付和測試解決方案的技術
    2.2  啟動：讓團隊走向成功
      2.2.1  啟動：它是什麼，我們怎麼做
      2.2.2  如何計劃和運行啟動
      2.2.3  用戶故事：MVP的構建模塊
    2.3  產品交付
      2.3.1  交付活動的節奏
      2.3.2  衡量產品和交付
    2.4  結論
第二部分  工程學
  第3章  有效的依賴管理：原則和工具
    3.1  如果我們的代碼在任何地方、任何時候都能正常工作，會怎樣
      3.1.1  更好的方法——退房走人
      3.1.2  有效管理依賴性的原則
      3.1.3  依賴性管理工具
    3.2  Docker和Batect速成課程
      3.2.1  容器是什麼
      3.2.2  使用batect減少Docker中移動部件的數量
    3.3  結論
  第4章  實踐中的有效依賴管理
    4.1  背景：機器學習開發工作流
      4.1.1  確定要容器化的內容
      4.1.2  動手練習：通過容器化實現可復現的開發環境
    4.2  安全的依賴管理
      4.2.1  移除不必要的依賴項
      4.2.2  自動化安全漏洞檢查
    4.3  總結
  第5章  自動化測試：快速移動而不破壞
    5.1  自動化測試：快速可靠迭代的基礎
      5.1.1  從「為什麼」開始：測試自動化的好處
      5.1.2  如果自動化測試如此重要，為什麼我們不去做呢
    5.2  ML系統全面測試策略的構建模塊
      5.2.1  識別測試組件
      5.2.2  優秀測試的特點及避免的陷阱
      5.2.3  如何：測試的結構

    5.3  軟體測試
      5.3.1  單元測試
      5.3.2  訓練冒煙測試
      5.3.3  API測試
      5.3.4  後部署測試
    5.4  結論
  第6章  自動化測試：ML模型測試
    6.1  模型測試
      6.1.1  模型測試的必要性
      6.1.2  測試ML模型的挑戰
      6.1.3  ML模型的適應度函數
      6.1.4  模型指標測試（全局和分層）
      6.1.5  行為測試
      6.1.6  測試大型語言模型：為什麼和如何
    6.2  重要的模型測試補充實踐
      6.2.1  錯誤分析和可視化
      6.2.2  從生產環境中學習，通過關閉數據收集循環
      6.2.3  開閉測試設計
      6.2.4  探索性測試
      6.2.5  改進模型的方法
      6.2.6  設計以最小化失敗成本
      6.2.7  生產中的監控
      6.2.8  整合所有內容
    6.3  下一步：應用你所學到的知識
      6.3.1  逐步改進
      6.3.2  展示價值
    6.4  結論
  第7章  通過簡單技巧為你的代碼編輯器增效
    7.1  了解IDE的好處（以及其令人驚訝的簡單性）
      7.1.1  為什麼我們應該關心IDE
      7.1.2  如果IDE如此重要，為什麼我還沒有學過它們
    7.2  計劃：通過兩個階段提高生產力
      7.2.1  階段1：配置你的IDE
      7.2.2  階段2：主角——鍵盤快捷鍵
      7.2.3  做到了
    7.3  結論
  第8章  重構與技術債務管理
    8.1  技術債務：我們齒輪中的沙子
      8.1.1  通過測試、設計和重構達到健康的技術債務水平
      8.1.2  重構基礎
    8.2  如何重構筆記本（或有問題的代碼庫）
      8.2.1  計劃你的重構之旅：路線圖
      8.2.2  旅程：上路
      8.2.3  回顧我們的成就
    8.3  實際世界中的技術債務管理
      8.3.1  技術債務管理技術
      8.3.2  從積極的角度看待技術債務：系統健康評分
    8.4  總結：讓優秀變得簡單
  第9章  面向ML的MLOps和機器學習的持續交付（CD4ML）
    9.1  MLOps：優勢與缺失的拼圖

      9.1.1  MLOps 101
      9.1.2  嗅覺信號：我們錯過了什麼的提示
    9.2  機器學習的持續交付
      9.2.1  CD4ML的好處
      9.2.2  持續交付原則速成課程
      9.2.3  構建CD4ML的基礎：創建一個生產就緒的ML系統
    9.3  CD4ML如何支持機器學習治理和負責任的人工智慧
    9.4  總結
第三部分  團隊
  第10章  打造高效機器學習團隊的基石
    10.1  機器學習團隊面臨的常見挑戰
    10.2  高效團隊的內部構建模塊
      10.2.1  信任：作為基礎的構建模塊
      10.2.2  溝通
      10.2.3  多樣性成員
      10.2.4  有目的的共享進步
      10.2.5  內部策略以建立有效團隊
    10.3  改善工程效率以提升工作流
      10.3.1  反饋循環
      10.3.2  認知負荷
      10.3.3  流狀態
    10.4  結論
  第11章  有效的機器學習組織
    11.1  ML組織面臨的常見挑戰
    11.2  有效的組織作為團隊的團隊
      11.2.1  價值驅動的投資組合管理的角色
      11.2.2  團隊拓撲模型
      11.2.3  機器學習團隊的團隊拓撲
      11.2.4  組織策略以建立高效團隊
    11.3  有意領導
      11.3.1  為有效團隊創建結構和系統
      11.3.2  參與利益相關者並協調組織資源
      11.3.3  培養心理安全
      11.3.4  推動持續改進
      11.3.5  將失敗視為學習機會
      11.3.6  構建我們希望擁有的文化
      11.3.7  鼓勵團隊在工作中玩耍
    11.4  結論

Δ訂單支付
付款方式
運費計算方式

Δ關於我們
關於美商天龍
聯絡我們

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

同類熱銷排行榜

最近瀏覽的商品

高效的機器學習團隊