Valliappa Lakshmanan, Sara Robinson, Michael Munn 著

孙蒙, 邹霞, 贾冲, 王艺敏 译

出版时间：2022年07月

页数：376

“具有优秀且多样的示例，这本书是任何数据科学家或机器学习工程师理解复杂机器学习问题的经过验证的解决方案的必读书籍。”
——David Kanter
ML Commons执行董事
“如果你想在构建机器学习解决方案的过程中少一些疤痕/肿块/瘀伤，Lak、Sara和Michael会支持你。”
——Will Grannis
谷歌云CTO 办公室董事总经理

本书中的设计模式针对机器学习中反复出现的问题给出最佳实践和解决方案。作者为来自谷歌的三位工程师，他们整理了已证实的方法，帮助数据科学家解决整个机器学习过程中的常见问题。这些设计模式将数百位专家的经验转化成直接、易懂的建议。
在这本书中，你会找到关于数据和问题表示、操作化、可重复性、可复现性、灵活性、可解释性和公平性的30种模式的详细解释。每个模式包括对问题的描述、各种可能的解决方案，以及针对你的情况选择最佳技术的建议。
你将学习：
● 识别和减轻在训练、评估以及部署机器学习模型时的常见挑战
● 为不同类型的机器学习模型表示数据，包括嵌入、特征交叉等
● 针对具体问题选择合适的模型类型
● 使用检查点、分发策略和超参数优化，建立一个鲁棒的训练循环
● 部署可扩展的机器学习系统，通过它你可以再训练和更新以反映新的数据
● 为用户解释模型的预测结果，确保模型公平地对待用户
● 提高模型的准确性、可复现性和弹性