Дизайн -моделі, описані в цій книзі, включають найкращі практики та рішення повторюваних проблем у машинному навчанні. Автори, три інженери з Google, каталогізовані перевірені методи, які допоможуть дослідникам даних вирішувати типові проблеми, що виникають у процесі машинного навчання. Ці схеми дизайну кодифікують досвід сотень експертів простими, доступними порадами. У цій книзі ви знайдете детальні пояснення 30 моделей представлення даних та проблем, операціоналізації, повторюваності, відтворення, гнучкості, пояснень та неупередженості. Кожна схема включає опис про-Bblem, різні потенційні рішення та рекомендації щодо вибору найкращої методики в даній даної: розпізнати та мінімізувати типові проблеми, що виникають під час навчання, оцінки та впровадження моделей машинного навчання. Захистіть дані для різних типів моделей машинного навчання у вигляді векторних представлень, перетину функцій, а не правильного типу моделі для конкретних проблем. Навчання з використанням контрольних точок, стратегій розкладання та настройки гіперпараметрозу до масштабованих систем машинного навчання, які можна навчати та оновлювати, щоб відобразити нову Daneinterpret Прогнози моделей для зацікавлених сторін та гарантують, що моделі ставляться до користувачів більш точністю, репродичністю та гнучкості. Обов’язкове читання для дослідників даних та інженерів машинного навчання, які прагнуть зрозуміти перевірені рішення складних проблем навчання керівника Canterflower, ML Commonsia, ви хочете врятувати себе синці на шляху до побудови рішення машинного навчання, Лак, Сара та Майкл - це люди, на які ви можете розраховувати. Will Granniszdyctor Managing, Cloud CTO Office (LAK) Lakshanan є глобальним менеджером відділу аналізу даних штучного інтелекту в Google Robinson - прес -секретар розробників синдрому Google Cloud, зосередившись на навчанні Мунна, є інженером машинних досліджень в Google, де він допомагає клієнтам проектувати, впроваджувати та впроваджувати моделі машинного навчання.