Design Patterns für Machine Learning by Lakshmanan, Valliappa -- Read -- Imperial Library of Trantor

Index

Cover Titel Impressum Inhalt Vorwort 1 Der Bedarf an Entwurfsmustern für maschinelles Lernen

Was sind Entwurfsmuster? Wie Sie dieses Buch verwenden Terminologie für maschinelles Lernen Modelle und Frameworks Daten und Feature Engineering Der Prozess des maschinellen Lernens Tools für Daten und Modelle Rollen Allgemeine Herausforderungen beim maschinellen Lernen Datenqualität Reproduzierbarkeit Datendrift Skalieren Mehrere Ziele Zusammenfassung

2 Entwurfsmuster für die Datendarstellung

Einfache Datendarstellungen Numerische Eingaben Kategoriale Eingaben Entwurfsmuster 1: Hashed Feature Problem Lösung Warum es funktioniert Kompromisse und Alternativen Entwurfsmuster 2: Einbettungen Problem Lösung Warum es funktioniert Kompromisse und Alternativen Entwurfsmuster 3: Feature Cross Problem Lösung Warum es funktioniert Kompromisse und Alternativen Entwurfsmuster 4: Multimodale Eingabe Problem Lösung Kompromisse und Alternativen Zusammenfassung

3 Entwurfsmuster zur Problemdarstellung

Entwurfsmuster 5: Reframing Problem Lösung Warum es funktioniert Kompromisse und Alternativen Entwurfsmuster 6: Multilabel Problem Lösung Kompromisse und Alternativen Entwurfsmuster 7: Ensemble Problem Lösung Warum es funktioniert Kompromisse und Alternativen Entwurfsmuster 8: Kaskade Problem Lösung Kompromisse und Alternativen Entwurfsmuster 9: Neutrale Klasse Problem Lösung Warum es funktioniert Kompromisse und Alternativen Entwurfsmuster 10: Rebalancing Problem Lösung Kompromisse und Alternativen Zusammenfassung

4 Entwurfsmuster für das Modelltraining

Typische Trainingsschleife Stochastischer Gradientenabstieg Keras-Trainingsschleife Training-Entwurfsmuster Entwurfsmuster 11: Nützliche Überanpassung Problem Lösung Warum es funktioniert Kompromisse und Alternativen Entwurfsmuster 12: Checkpoints Problem Lösung Warum es funktioniert Kompromisse und Alternativen Entwurfsmuster 13: Transfer Learning Problem Lösung Warum es funktioniert Kompromisse und Alternativen Entwurfsmuster 14: Verteilungsstrategie Problem Lösung Warum es funktioniert Kompromisse und Alternativen Entwurfsmuster 15: Hyperparameter-Abstimmung Problem Lösung Warum es funktioniert Kompromisse und Alternativen Zusammenfassung

5 Entwurfsmuster für robustes Serving

Entwurfsmuster 16: Zustandslose Serving-Funktion Problem Lösung Warum es funktioniert Kompromisse und Alternativen Entwurfsmuster 17: Batch-Serving Problem Lösung Warum es funktioniert Kompromisse und Alternativen Entwurfsmuster 18: Kontinuierliche Modellbewertung Problem Lösung Warum es funktioniert Kompromisse und Alternativen Entwurfsmuster 19: Zweiphasen-Vorhersagen Problem Lösung Kompromisse und Alternativen Entwurfsmuster 20: Keyed Predictions Problem Lösung Kompromisse und Alternativen Zusammenfassung

6 Entwurfsmuster für Reproduzierbarkeit

Entwurfsmuster 21: Transformation Problem Lösung Kompromisse und Alternativen Entwurfsmuster 22: Wiederholbare Aufteilung Problem Lösung Kompromisse und Alternativen Entwurfsmuster 23: Bridged Schema Problem Lösung Kompromisse und Alternativen Entwurfsmuster 24: Windowed Inference Problem Lösung Kompromisse und Alternativen Entwurfsmuster 25: Workflow-Pipeline Problem Lösung Warum es funktioniert Kompromisse und Alternativen Entwurfsmuster 26: Feature Store Problem Lösung Warum es funktioniert Kompromisse und Alternativen Entwurfsmuster 27: Modellversionierung Problem Lösung Kompromisse und Alternativen Zusammenfassung

7 Verantwortungsbewusste KI

Entwurfsmuster 28: Heuristischer Benchmark Problem Lösung Kompromisse und Alternativen Entwurfsmuster 29: Erklärbare Vorhersagen Problem Lösung Kompromisse und Alternativen Entwurfsmuster 30: Fairness Lens Problem Lösung Kompromisse und Alternativen Zusammenfassung

8 Verbundene Muster

Muster-Referenz Wechselwirkungen von Mustern Muster in ML-Projekten ML-Lebenszyklus KI-Bereitschaft Allgemeine Muster nach Anwendungsfall und Datentyp Verstehen natürlicher Sprache Computer Vision Prädiktive Analytik Empfehlungssysteme Betrugs- und Anomalieerkennung

Fußnoten Index Über die Autor:innen Kolophon