Uczenie maszynowe jest coraz popularniejsze. Stosuje się je w systemach wsparcia, systemach rekomendacyjnych, tłumaczeniach tekstów i wielu innych aplikacjach. Jednak podczas tworzenia tego rodzaju produktów inżynierowie napotykają bardzo poważne problemy. Jeśli ich nie rozwiążą, nawet obiecujący projekt może upaść. Trudność polega na tym, że zastosowanie uczenia maszynowego w konkretnej, użytkowej aplikacji jest złożonym zadaniem. Konieczne są wybór właściwej implementacji danej funkcjonalności, analiza błędów modelu, rozwiązanie problemów z czystością danych, a także weryfikacja wyników gwarantująca odpowiednią jakość produktu.

To książka przeznaczona dla programistów i menedżerów, którzy wśród rodzących się idei uczenia maszynowego wciąż poszukują rozwiązań dla swojego biznesu. Autor omawia krok po kroku proces tworzenia i wdrażania aplikacji opartej na uczeniu maszynowym, a praktyczne koncepcje przedstawia za pomocą przykładowych kodów, rysunków i wywiadów z liderami w tej dziedzinie. Podpowiada, jak planować aplikację i oceniać jej jakość. Wyjaśnia także, jak budować skuteczny model, i demonstruje metody jego systematycznego usprawniania, aż do momentu osiągnięcia celu. W końcowej części opisuje strategie wdrażania i monitorowania modelu. W odróżnieniu od innych pozycji poświęconych uczeniu maszynowym ten przewodnik skupia się przede wszystkim na definiowaniu problemów, diagnozowaniu modeli i ich wdrażaniu.

Dzięki tej książce:

• łatwiej określisz, do czego produkt ma służyć
• trafnie zdefiniujesz problem uczenia maszynowego
• szybko zbudujesz kompletny proces i pozyskasz początkowy zbiór danych
• zbudujesz, wytrenujesz i zoptymalizujesz model
• wdrożysz model w środowisku produkcyjnym
• przyjmiesz najlepszą metodę monitorowania pracy modelu

Dobry pomysł - to zaledwie początek. Najważniejsze dzieje się później!

Osoby które kupowały "Uczenie maszynowe w aplikacjach. Projektowanie, budowa i wdrażanie", wybierały także:

• Konwolucyjne sieci neuronowe. Kurs video. Tensorflow i Keras w rozpoznawaniu obraz 149,00 zł, (44,70 zł -70%)
• Data Science w Pythonie. Kurs video. Algorytmy uczenia maszynowego 199,00 zł, (59,70 zł -70%)
• Machine Learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek 249,00 zł, (74,70 zł -70%)
• Web scraping w Data Science. Kurs video. Uczenie maszynowe i architektura splotowych sieci neuronowych 178,97 zł, (62,64 zł -65%)
• Data Science w Pythonie. Kurs video. Przetwarzanie i analiza danych 149,00 zł, (67,05 zł -55%)

Spis treści

Uczenie maszynowe w aplikacjach. Projektowanie, budowa i wdrażanie -- spis treści

Przedmowa 9

CZĘŚĆ I. OKREŚLENIE WŁAŚCIWEGO PODEJŚCIA ML

1. Od pomysłu do podejścia ML 19

• Określenie, co jest możliwe 20
  • Modele 21
  • Dane 27
• Zarys edytora ML 30
  • Spróbujmy wszystko zrobić za pomocą ML 30
  • Najprostsze podejście: wykonanie algorytmu 32
  • Etap pośredni: uczenie się na podstawie doświadczenia 33
• Jak wybierać projekty ML i określać ich priorytety - Monica Rogati 34
• Podsumowanie 36

2. Opracowanie planu 37

• Mierzenie postępów 37
  • Wydajność biznesowa 38
  • Wydajność modelu 39
  • Aktualność i przesunięcie rozkładu danych 41
  • Szybkość 43
• Szacowanie zakresu i wyzwań 44
  • Wykorzystanie doświadczenia w danej dziedzinie 44
  • Podążanie za wielkimi 45
• Planowanie edytora ML 48
  • Początkowy plan edytora 48
  • Zawsze należy zaczynać od prostego modelu 49
• Sposób na systematyczne postępy - prosty początek 50
  • Prosty początkowy proces 50
  • Proces dla edytora ML 51
• Podsumowanie 53

CZĘŚĆ II. BUDOWANIE PROCESU

3. Zbudowanie pierwszego całościowego procesu 57

• Najprostsza architektura 57
• Prototyp edytora ML 58
  • Analizowanie i oczyszczanie danych 59
  • Tokenizacja testu 60
  • Generowanie cech 60
• Testowanie procesu 62
  • Wrażenia użytkowników 62
  • Modelowanie wyników 62
• Ocena prototypu edytora ML 63
  • Model 64
  • Wrażenia użytkowników 65
• Podsumowanie 65

4. Pozyskiwanie początkowego zbioru danych 67

• Iterowanie zbioru danych 67
  • Badanie danych 68
• Badanie pierwszego zbioru danych 68
  • Bądź skuteczny, zacznij od czegoś małego 69
  • Informacje i produkty 69
  • Ocena jakości danych 70
• Etykiety i wyszukiwanie trendów 75
  • Statystyki podsumowujące 76
  • Efektywne badanie i znakowanie danych 78
  • Wykonanie algorytmu 92
  • Trendy danych 93
• Niech dane informują o cechach i modelach 94
  • Budowanie cech na podstawie wzorców 94
  • Cechy edytora ML 97
• Jak wyszukiwać, znakować i wykorzystywać dane - Robert Munro 97
• Podsumowanie 99

CZĘŚĆ III. ITEROWANIE MODELI

5. Trening i ocena modelu 103

• Najprostszy, odpowiedni model 103
  • Proste modele 103
  • Od wzorców do modeli 105
  • Podział zbioru danych 107
  • Podział danych dla edytora ML 112
  • Ocena wydajności 113
• Ocena modelu: nie tylko dokładność 116
  • Porównywanie danych i prognoz 116
  • Tablica pomyłek 117
  • Krzywa ROC 117
  • Krzywa kalibracyjna 119
  • Redukcja wymiarowości w analizie błędów 121
  • Metoda top-k 121
  • Inne modele 125
• Ocena ważności cech 125
  • Ocena bezpośrednio z klasyfikatora 126
  • Analiza czarnej skrzynki 127
• Podsumowanie 129

6. Diagnozowanie problemów 131

• Dobre praktyki programowania 131
  • Dobre praktyki w ML 132
• Diagnozowanie połączeń: wizualizacja i testy 133
  • Na początek jeden przykład 133
  • Testowanie kodu ML 139
• Diagnozowanie treningu 143
  • Trudność zadania 144
  • Problemy optymalizacyjne 146
• Diagnozowanie uogólnienia modelu 147
  • Wyciek danych 148
  • Nadmierne dopasowanie 148
  • Analiza zadania 151
• Podsumowanie 152

7. Przygotowywanie zaleceń przy użyciu klasyfikatora 153

• Wyodrębnianie zaleceń z modeli 154
  • Co można osiągnąć bez modelu? 154
  • Wyodrębnianie globalnych ważności cech 155
  • Wykorzystanie ocen modelu 156
  • Wyodrębnianie lokalnych ważności cech 156
• Porównanie modeli 158
  • Wersja 1: karta raportu 159
  • Wersja 2: lepszy, ale mniej czytelny model 159
  • Wersja 3: zrozumiałe zalecenia 161
• Formułowanie zaleceń edycyjnych 162
• Podsumowanie 165

CZĘŚĆ IV. WDRAŻANIE I MONITOROWANIE MODELI

8. Wdrażanie modeli 169

• Dane 169
  • Własność danych 170
  • Zniekształcenie danych 170
  • Zniekształcenia systemowe 172
• Modele 172
  • Sprzężenie zwrotne 173
  • Inkluzyjna wydajność modelu 174
  • Kontekst 175
  • Ataki 175
  • Nadużycia i podwójne zastosowanie 176
• Eksperymenty wysyłkowe - Chris Harland 177
• Podsumowanie 179

9. Opcje wdrażania modeli 181

• Wdrożenie po stronie serwera 181
  • Aplikacja strumieniowa, czyli interfejs API 181
  • Prognozowanie wsadowe 184
• Wdrożenie po stronie klienta 185
  • Model w urządzeniu 186
  • Model w przeglądarce 187
• Uczenie federacyjne: podejście hybrydowe 188
• Podsumowanie 189

10. Zabezpieczanie modelu 191

• Ochrona przed awariami 191
  • Sprawdzanie danych wejściowych i wyjściowych 191
  • Scenariusze awaryjne modelu 194
• Inżynieria wydajności 198
  • Obsługa wielu użytkowników 198
  • Zarządzanie cyklem życia modelu i danych 201
  • Przetwarzanie danych i skierowany graf acykliczny 203
• Opinie użytkowników 204
• Wspieranie badaczy danych we wdrażaniu modeli - Chris Moody 206
• Podsumowanie 208

11. Monitorowanie i aktualizowanie modeli 209

• Monitorowanie oszczędza kłopotów 209
  • Informowanie o konieczności odświeżenia modelu 209
  • Wykrywanie nadużyć 210
• Co monitorować? 210
  • Wskaźniki wydajności 211
  • Wskaźniki biznesowe 213
• CI/CD w dziedzinie ML 214
  • Testy A/B i eksperymenty 215
  • Inne podejścia 217
• Podsumowanie 219