Boken 'Machine Learning Design Patterns' presenterer designmønstre som fanger essensen av beste praksis og løsninger på gjentakende utfordringer innen maskinlæring. Forfatterne, tre ingeniører fra Google, har samlet dokumenterte metoder for å hjelpe dataforskere med å håndtere vanlige problemer gjennom hele maskinlæringsprosessen. Disse designmønstrene oppsummerer erfaringene fra hundrevis av eksperter og gir klare, tilgjengelige råd. I denne boken finner du grundige forklaringer av 30 ulike mønstre knyttet til datatyper og problemrepresentasjon, drift, gjentakelse, reproduksjon, fleksibilitet, forklarbarhet og rettferdighet. Hvert mønster inkluderer en beskrivelse av problemet, ulike potensielle løsninger og anbefalinger for å velge den beste teknikken for din situasjon. Du vil lære hvordan du: Identifiserer og reduserer vanlige utfordringer ved trening, evaluering og distribusjon av ML-modeller; Representerer data for forskjellige typer ML-modeller, inkludert embeddings, feature crosses og mer; Velger den riktige modelltypen for spesifikke problemer; Bygger en robust treningssløyfe.
