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

• Назва: Uczenie maszynowe w aplikacjach. Projektowanie, budowa i wdrażanie
• Автор: Emmanuel Ameisen
• Оригінальна назва: Building Machine Learning Powered Applications: Going from Idea to Product
• Переклад: Andrzej Watrak
• ISBN: 978-83-283-7187-3, 9788328371873
• Дата видання: 2021-01-19
• Формат: Eлектронна книга
• Ідентифікатор видання: umasap
• Видавець: Helion