Systemy uczenia maszynowego (ML) charakteryzuj

Zobacz także:

• Data Science w Pythonie. Kurs video. Przetwarzanie i analiza danych 149,00 zł, (67,05 zł -55%)
• Machine Learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek 243,59 zł, (112,05 zł -54%)
• Matematyka w deep learningu. Co musisz wiedzie 89,00 zł, (44,50 zł -50%)
• Dylemat sztucznej inteligencji. 7 zasad odpowiedzialnego tworzenia technologii 54,90 zł, (27,45 zł -50%)
• Eksploracja danych za pomoc 67,00 zł, (33,50 zł -50%)

Spis treści

Jak projektować systemy uczenia maszynowego. Iteracyjne tworzenie aplikacji gotowych do pracy eBook -- spis treści

Wstęp

1. Przegląd systemów uczenia maszynowego

• Kiedy należy używać uczenia maszynowego?
  • Przypadki użycia uczenia maszynowego
• Zrozumienie systemów uczenia maszynowego
  • Uczenie maszynowe w badaniach i przemyśle
  • Krytyka rankingów modeli uczenia maszynowego
  • Systemy uczenia maszynowego a oprogramowanie tradycyjne
• Podsumowanie

2. Wprowadzenie do projektowania systemów uczenia maszynowego

• Biznes i cele uczenia maszynowego
• Wymagania dla systemów uczenia maszynowego
  • Niezawodność
  • Skalowalność
  • Łatwość utrzymania
  • Adaptacyjność
• Proces iteracyjny
• Sformalizowanie problemów związanych z uczeniem maszynowym
  • Rodzaje zadań związanych z uczeniem maszynowym
  • Funkcje celu
• Umysł a dane
• Podsumowanie

3. Podstawy inżynierii danych

• Źródła danych
• Formaty danych
  • JSON
  • Formaty wierszowe i kolumnowe
  • Format tekstowy a binarny
• Modele danych
  • Model relacyjny
  • Model NoSQL
  • Dane ustrukturyzowane a nieustrukturyzowane
• Silniki przechowywania danych i ich przetwarzanie
  • Przetwarzanie transakcyjne i analityczne
  • Proces ETL - wyodrębnij, przekształć, wczytaj
• Tryby przepływu danych
  • Dane przekazywane przez bazy danych
  • Dane przekazywane przez usługi
  • Dane przekazywane przez połączenia w czasie rzeczywistym
• Przetwarzanie wsadowe a przetwarzanie strumieniowe
• Podsumowanie

4. Dane treningowe

• Próbkowanie
  • Próbkowanie nieprobabilistyczne
  • Proste próbkowanie losowe
  • Próbkowanie warstwowe
  • Próbkowanie ważone
  • Próbkowanie do rezerwuaru
  • Próbkowanie istotnościowe
• Etykietowanie
  • Etykiety nadawane ręcznie
  • Etykiety naturalne
  • Co zrobić w przypadku braku etykiet?
• Niezrównoważenie klas
  • Wyzwania związane z niezrównoważeniem klas
  • Rozwiązywanie problemu niezrównoważenia klas
• Generowanie sztucznych danych
  • Proste transformacje zachowujące etykiety
  • Perturbacja
  • Synteza danych
• Podsumowanie

5. Inżynieria cech

• Cechy wyuczone a cechy zaprojektowane
• Operacje często stosowane w inżynierii cech
  • Obsługa wartości brakujących
  • Skalowanie
  • Dyskretyzacja
  • Kodowanie cech skategoryzowanych
  • Krzyżowanie cech
  • Dyskretne i ciągłe osadzenia pozycji
• Wyciek danych
  • Najczęstsze przyczyny wycieków danych
  • Wykrywanie wycieku danych
• Tworzenie poprawnych cech
  • Ważność cech
  • Uogólnianie cech
• Podsumowanie

6. Projektowanie modelu i ewaluacja offline

• Projektowanie i trenowanie modelu
  • Ewaluacja modeli uczenia maszynowego
  • Metody zespołowe
  • Monitorowanie i wersjonowanie eksperymentów
  • Trenowanie rozproszone
  • Zautomatyzowane uczenie maszynowe (AutoML)
• Ewaluacja modelu w trybie offline
  • Punkty odniesienia
  • Metody ewaluacji
• Podsumowanie

7. Wdrażanie modelu i usługi prognozowania

• Mity związane z wdrażaniem systemów uczenia maszynowego
  • Mit 1. Jednocześnie wdrażamy tylko jeden lub dwa modele
  • Mit 2. Jeśli nic nie zrobimy, wydajność modelu pozostanie taka sama
  • Mit 3. Modeli nie trzeba często aktualizować
  • Mit 4. Większość inżynierów uczenia maszynowego nie musi się przejmować wielkoskalowymi wdrożeniami
• Prognozowanie wsadowe a prognozowanie online
  • Od prognozowania wsadowego do prognozowania online
  • Ujednolicenie potoku wsadowego i strumieniowego
• Kompresowanie modelu
  • Faktoryzacja niższego rzędu
  • Destylacja wiedzy
  • Przycinanie
  • Kwantyzacja
• Uczenie maszynowe w chmurze i na urządzeniu brzegowym
  • Kompilowanie i optymalizowanie modeli dla urządzeń brzegowych
  • Wykorzystanie uczenia maszynowego w przeglądarkach
• Podsumowanie

8. Zmiana rozkładu danych i monitorowanie

• Przyczyny awarii w systemach uczenia maszynowego
  • Awarie systemu oprogramowania
  • Awarie specyficzne dla uczenia maszynowego
• Zmiany rozkładów danych
  • Rodzaje zmian rozkładów danych
  • Ogólne rodzaje zmian rozkładów danych
  • Wykrywanie zmian rozkładów danych
  • Rozwiązywanie problemów związanych ze zmianą rozkładu danych
• Monitorowanie i obserwowalność
  • Wskaźniki specyficzne dla uczenia maszynowego
  • Narzędzia wspierające proces monitorowania
  • Obserwowalność
• Podsumowanie

9. Uczenie ciągłe i testy w środowisku produkcyjnym

• Uczenie ciągłe
  • Ponowne trenowanie bezstanowe i trenowanie stanowe
  • Dlaczego powinno się stosować uczenie ciągłe?
  • Wyzwania związane z uczeniem ciągłym
  • Cztery etapy uczenia ciągłego
  • Jak często należy aktualizować modele?
• Testowanie w środowisku produkcyjnym
  • Użycie kopii rozwiązania
  • Testy A/B
  • Testy kanarkowe
  • Eksperymenty przeplatane
  • Algorytmy bandyty
• Podsumowanie

10. Infrastruktura i narzędzia stosowane w metodyce MLOps

• Pamięć masowa i moc obliczeniowa
  • Chmura publiczna a prywatne centrum danych
• Środowisko projektowe
  • Konfiguracja środowiska projektowego
  • Proces standaryzacji środowisk projektowych
  • Przejście ze środowiska projektowego do produkcyjnego - kontenery
• Zarządzanie zasobami
  • Narzędzie cron, zarządcy procesów i orkiestratory
  • Zarządzanie procesami w danetyce
• Platforma uczenia maszynowego
  • Wdrażanie modelu
  • Magazyn modeli
  • Magazyn cech
• Tworzyć czy kupować?
• Podsumowanie

11. Ludzka strona uczenia maszynowego

• Doświadczenia użytkownika
  • Zapewnianie spójności doświadczeń użytkownika
  • Unikanie prognoz "przeważnie poprawnych"
  • Kompromis szybkość - dokładność
• Struktura zespołu
  • Współpraca w zespołach międzydyscyplinarnych
  • Wszechstronni danetycy
• Odpowiedzialna sztuczna inteligencja
  • Nieodpowiedzialna sztuczna inteligencja - studia przypadków
  • Zasady tworzenia odpowiedzialnej sztucznej inteligencji
• Podsumowanie

Epilog