jak-projektowac-systemy-uczenia-maszynowego.-iteracyjne-tworzenie-aplikacji-gotowych-do-pracy full.pdf

(8832 KB) Pobierz
•
Kup książkę
•
Poleć książkę
•
Oceń książkę
•
Księgarnia internetowa
•
Lubię to! » Nasza społeczność
Spis treści
Wstęp..................................................................................................................... 11
1. Przegląd systemów uczenia maszynowego ............................................................ 19
Kiedy należy używać uczenia maszynowego?
Przypadki użycia uczenia maszynowego
21
26
Zrozumienie systemów uczenia maszynowego
Uczenie maszynowe w badaniach i przemyśle
Systemy uczenia maszynowego a oprogramowanie tradycyjne
29
29
38
Podsumowanie
40
2. Wprowadzenie do projektowania systemów uczenia maszynowego ........................ 41
Biznes i cele uczenia maszynowego
Wymagania dla systemów uczenia maszynowego
Niezawodność
Skalowalność
Łatwość utrzymania
Adaptacyjność
42
45
45
45
47
47
Proces iteracyjny
Sformalizowanie problemów związanych z uczeniem maszynowym
Rodzaje zadań związanych z uczeniem maszynowym
Funkcje celu
47
50
50
54
Umysł a dane
Podsumowanie
57
60
3. Podstawy inżynierii danych .................................................................................... 61
Źródła danych
Formaty danych
JSON
Formaty wierszowe i kolumnowe
Format tekstowy a binarny
62
64
65
66
68
5
Kup książkę
Poleć książkę
Modele danych
Model relacyjny
Model NoSQL
Dane ustrukturyzowane a nieustrukturyzowane
68
69
73
76
Silniki przechowywania danych i ich przetwarzanie
Przetwarzanie transakcyjne i analityczne
Proces ETL — wyodrębnij, przekształć, wczytaj
77
77
80
Tryby przepływu danych
Dane przekazywane przez bazy danych
Dane przekazywane przez usługi
Dane przekazywane przez połączenia w czasie rzeczywistym
82
82
82
84
Przetwarzanie wsadowe a przetwarzanie strumieniowe
Podsumowanie
87
88
4. Dane treningowe ................................................................................................... 90
Próbkowanie
Próbkowanie nieprobabilistyczne
Proste próbkowanie losowe
Próbkowanie warstwowe
Próbkowanie ważone
Próbkowanie do rezerwuaru
Próbkowanie istotnościowe
91
91
93
93
93
94
95
Etykietowanie
Etykiety nadawane ręcznie
Etykiety naturalne
Co zrobić w przypadku braku etykiet?
96
96
98
102
Niezrównoważenie klas
Wyzwania związane z niezrównoważeniem klas
Rozwiązywanie problemu niezrównoważenia klas
110
110
112
Generowanie sztucznych danych
Proste transformacje zachowujące etykiety
Perturbacja
Synteza danych
120
120
121
123
Podsumowanie
124
5. Inżynieria cech ..................................................................................................... 126
Cechy wyuczone a cechy zaprojektowane
Operacje często stosowane w inżynierii cech
Obsługa wartości brakujących
Skalowanie
Dyskretyzacja
126
129
129
132
133
6
|
Spis treści
Poleć książkę
Kup książkę
Kodowanie cech skategoryzowanych
Krzyżowanie cech
Dyskretne i ciągłe osadzenia pozycji
134
137
137
Wyciek danych
Najczęstsze przyczyny wycieków danych
Wykrywanie wycieku danych
140
141
144
Tworzenie poprawnych cech
Ważność cech
Uogólnianie cech
144
145
147
Podsumowanie
149
6. Projektowanie modelu i ewaluacja offline ............................................................ 150
Projektowanie i trenowanie modelu
Ewaluacja modeli uczenia maszynowego
Metody zespołowe
Monitorowanie i wersjonowanie eksperymentów
Trenowanie rozproszone
Zautomatyzowane uczenie maszynowe (AutoML)
151
151
156
162
167
171
Ewaluacja modelu w trybie offline
Punkty odniesienia
Metody ewaluacji
177
178
180
Podsumowanie
186
7. Wdrażanie modelu i usługi prognozowania .......................................................... 188
Mity związane z wdrażaniem systemów uczenia maszynowego
Mit 1. Jednocześnie wdrażamy tylko jeden lub dwa modele
Mit 2. Jeśli nic nie zrobimy, wydajność modelu pozostanie taka sama
Mit 3. Modeli nie trzeba często aktualizować
Mit 4. Większość inżynierów uczenia maszynowego
nie musi się przejmować wielkoskalowymi wdrożeniami
190
190
192
192
193
Prognozowanie wsadowe a prognozowanie online
Od prognozowania wsadowego do prognozowania online
Ujednolicenie potoku wsadowego i strumieniowego
193
197
199
Kompresowanie modelu
Faktoryzacja niższego rzędu
Destylacja wiedzy
Przycinanie
Kwantyzacja
201
201
203
203
204
Uczenie maszynowe w chmurze i na urządzeniu brzegowym
Kompilowanie i optymalizowanie modeli dla urządzeń brzegowych
Wykorzystanie uczenia maszynowego w przeglądarkach
207
209
216
Podsumowanie
217
Spis treści
Kup książkę
|
7
Poleć książkę

Plik z chomika:

Inne pliki z tego folderu:

Inne foldery tego chomika:

Zgłoś jeśli naruszono regulamin