UCZENIE MASZYNOWE W APLIKACJACH PROJEKTOWANIE BUDOWA WDRAŻANIE

53.10

Na stanie

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
Autor

ISBN

978-83-283-7186-6

Liczba stron

Rok wydania

Wydawca

Opinie

Na razie nie ma opinii o produkcie.

Napisz pierwszą opinię o „UCZENIE MASZYNOWE W APLIKACJACH PROJEKTOWANIE BUDOWA WDRAŻANIE”

Twój adres e-mail nie zostanie opublikowany. Wymagane pola są oznaczone *