MIKRO KNJIGA
    od 1984. god.
    Knjige▹Računari i InternetMašinsko učenjeRačunari i InternetProjektovanje softvera

    (veća slika...)

    Preuzmite delove knjige
    Sadržaj
    Predgovor
    Poglavlje 1
    Mašinsko učenje: projektovanje sistema
    Autor: Chip Huyen
    Izdavač: Mikro knjiga
    Strana: 400
    Ostali detalji
    Veličina slova: A A
    Sistemi mašinskog učenja su i kompleksni i jedinstveni. Kompleksni su zato što se sastoje od mnogo različitih komponenti i uključuju mnoge različite aktere. Jedinstveni su zato što zavise od podataka, pri čemu se podaci drastično razlikuju od jednog slučaja upotrebe do drugog. U ovoj knjizi ćete naučiti holistički pristup projektovanju sistema mašinskog učenja koji su pouzdani, skalabilni, održivi i prilagodljivi promenljivim okruženjima i poslovnim zahtevima.

    Autorka Chip Huyen, suosnivač kompanije Claypot AI, razmatra svaku dizajnersku odluku – kao što su obrada i kreiranje podataka za obuku, izbor karakteristika, učestalost ponovnog treniranja modela i praćenje - u kontekstu kako to može pomoći vašem sistemu u celini da postigne svoje ciljeve. Iterativni okvir u ovoj knjizi koristi stvarne studije slučaja podržane obiljem referenci.

    Ova knjiga će vam pomoći da se suočite sa scenarijima kao što su:
    • Inženjering podataka i izbor pravih mernih pokazatelja za rešavanje poslovnog problema
    • Automatizacija procesa stalnog razvoja, evaluacije, implementacije i ažuriranja modela
    • Razvoj sistema za praćenje radi brzog otkrivanja i rešavanja problema koje vaši modeli mogu sresti u proizvodnji
    • Arhitektura platforme za mašinsko učenje koja služi u različitim slučajevima upotrebe
    • Razvoj odgovornih sistema mašinskog učenja

    Sadržaj
    Predgovor, xi

    1. Pregled sistema mašinskog učenja, 1
      Kada koristiti mašinsko učenje, 3
      Primeri upotrebe mašinskog učenja, 9
      Razumevanje sistema mašinskog učenja, 12
      Mašinsko učenje u istraživanju u odnosu na primenu, 12
      Sistemi mašinskog učenja nasuprot tradicionalnog softvera, 22
      Rezime, 24

    2. Uvod u projektovanje sistema mašinskog učenja, 25
      Poslovni i ML ciljevi, 26
      Zahtevi za ML sisteme, 28
      Pouzdanost, 29
      Skalabilnost, 29
      Održivost, 31
      Prilagodljivost, 31
      Iterativan proces, 32
      Formulisanje problema mašinskog učenja, 34
      Vrste ML zadataka, 35
      Ciljne funkcije, 39
      Um protiv podataka, 42
      Rezime, 45

    3. Osnove inženjeringa podataka, 47
      Izvori podataka, 48
      Formati podataka, 51
      JSON, 52
      Format po redovima nasuprot formata po kolonama, 52
      Tekstualni nasuprot binarnom formatu, 55
      Modeli podataka, 56
      Relacioni model, 57
      NoSQL, 61
      Strukturisani nasuprot nestrukturisanih podataka, 64
      Mašine za skladištenje podataka i obradu, 65
      Transakciona i analitička obrada, 66
      ETL: ekstrakcija, transformacija, učitavanje, 68
      Režimi protoka podataka, 70
      Prenos podataka kroz baze podataka, 70
      Prenos podataka kroz servise, 71
      Prenos podataka transportom u realnom vremenu, 72
      Paketna obrada nasuprot obrade u toku, 76
      Rezime, 78

    4. Podaci za obuku, 81
      Uzorkovanje, 82
      Uzorkovanje bez verovatnoće, 83
      Jednostavno nasumično uzorkovanje (Simple Random Sampling), 84
      Slojevito uzorkovanje (Stratified Sampling), 84
      Težinsko uzorkovanje (Weighted Sampling), 85
      Uzorkovanje rezervoara (Reservoir Sampling), 86
      Uzorkovanje po važnosti (Importance Sampling), 87
      Označavanje (Labeling), 88
      Ručne oznake, 88
      Prirodne oznake, 91
      Rešavanje nedostatka oznaka, 94
      Neravnoteža klasa, 103
      Izazovi neravnoteže klasa, 103
      Rešavanje problema neravnoteže klasa, 105
      Povećanje skupa podataka, 114
      Jednostavne transformacije koje čuvaju oznake, 115
      Perturbacija, 115
      Sinteza podataka, 117
      Rezime, 119

    5. Inženjering karakteristika, 121
      Naučene karakteristike nasuprot projektovanih karakteristika, 121
      Uobičajene operacije inženjeringa karakteristika, 125
      Rukovanje sa nedostajućim vrednostima, 125
      Normalizacija, 128
      Diskretizacija, 130
      Kodiranje kategorijskih karakteristika, 131
      Ukrštanje karakteristika, 134
      Diskretno i kontinuirano poziciono umetanje, 135
      Curenje podataka, 137
      Uobičajeni uzroci curenja podataka, 139
      Detektovanje curenja podataka, 142
      Inženjering dobrih karakteristika, 142
      Važnost karakteristika, 143
      Generalizacija karakteristika, 146
      Rezime, 147

    6. Razvoj modela i oflajn evaluacija, 149

    7. Razvoj i obučavanje modela, 150
      Evaluacija ML modela, 150
      Ansambli, 156
      Praćenje eksperimenata i verzionisanje, 162
      Distribuirana obuka, 168
      AutoML, 172
      Oflajn evaluacija modela, 178
      Osnove, 179
      Metode evaluacije, 181
      Rezime, 189

    8. Implementacija modela i servis za predikciju, 191

    9. Mitovi o implementaciji mašinskog učenja, 193
      Mit 1: Implementirate samo jedan ili dva ML modela odjednom, 194
      Mit 2: Ako ništa ne radimo, performanse modela ostaju iste, 195
      Mit 3: Nećete morati često ažurirati vaše modele, 196
      Mit 4: Većina ML inženjera ne mora brinuti o skaliranju, 196
      Paketno predviđanje nasuprot onlajn predviđanja, 197
      Od predviđanja u grupama ka onlajn predviđanju, 201
      Ujedinjavanje paketnog i strimovanog cevovoda, 203
      Kompresija modela, 205
      Faktorizacija niske rangiranosti, 206
      Destilacija znanja, 207
      Smanjenje dimenzija – orezivanje, 207
      Kvantizacija, 208
      ML na oblaku i na ograničenim resursima, 211
      Kompajliranje i optimizacija modela za uređaje kod korisnika, 213
      ML u veb čitačima, 220
      Rezime, 222

    10. Promena raspodele podataka i praćenje, 225
      Uzroci neuspeha ML sistema, 226
      Neuspesi softverskog sistema, 227
      Neuspesi specifični za ML, 228
      Promene u raspodeli podataka, 236
      Vrste promena u raspodeli podataka, 237
      Opšte promene raspodele podataka, 241
      Otkrivanje promena u raspodeli podataka, 242
      Adresiranje promene raspodele podataka, 247
      Praćenje i posmatranje, 249
      Metrike specifične za ML, 251
      Skup alata za praćenje, 256
      Posmatranje, 259
      Rezime, 261

    11. Neprekidno učenje i testiranje u proizvodnji, 263
      Neprekidno učenje, 264
      Obuka bez stanja nasuprot obuke sa stanjem, 265
      Zašto neprekidno učenje?, 268
      Izazovi neprekidnog učenja, 270
      Četiri faze neprekidnog učenja, 275
      Koliko često ažurirati modele, 280
      Testiranje u proizvodnji, 282
      Skrivena primena, 283
      A/B testiranje, 283
      Puštanje kanarinca, 285
      Prepletani eksperimenti, 286
      Banditi, 288
      Rezime, 292

    12. Infrastruktura i alati za MLOps, 293
      Skladištenje i računanje, 297
      Javni oblak nasuprot privatnih centara podataka, 299
      Okruženje za razvoj, 302
      Postavljanje okruženja za razvoj, 303
      Standardizacija razvojnih okruženja, 306
      Od razvoja do proizvodnje: kontejneri, 308
      Upravljanje resursima, 311
      Cron, planeri i orkestratori, 311
      Upravljanje radnim tokovima u nauci o podacima, 314
      ML Platforma, 320
      Primena modela, 321
      Skladište modela, 321
      Skladište karakteristika, 326
      Graditi ili kupiti, 328
      Rezime, 330

    13. Ljudski faktor u mašinskom učenju, 333

    14. Korisničko iskustvo, 333
      Obezbeđivanje doslednosti korisničkog iskustva, 334
      Borba protiv „uglavnom tačnih“ predviđanja, 334
      Neprimetno otkazivanje, 336
      Struktura tima, 336
      Saradnja funkcionalnih timova, 337
      Naučnik podataka vodi proces od početka do kraja, 337
      Odgovorna AI, 341
      Neodgovorna AI: studije slučajeva, 342
      Okvir za odgovornu AI, 348
      Rezime, 355
      Epilog, 357
      Indeks, 359

      O autorki
      Chip Huyen je suosnivač kompanije Claypot AI, ML platforme za rad u realnom vremenu. Radeći u kompanijama NVIDIA, Netflix i Snorkel AI, pomogla je najvećim organizacijama na svetu da razvijaju i implementiraju ML sisteme. Ova knjiga je bazirana na njenim predavanjima na kursu CS 329S: Machine Learning Systems Design, koji predaje na Univerzitetu Stanford.


    Detaljni podaci o knjizi
    Naslov: Mašinsko učenje: projektovanje sistema
    Izdavač: Mikro knjiga
    Strana: 400 (cb)
    Povez: meki
    Pismo: latinica
    Format: 16,8X23,5 cm
    Godina izdanja: 2024
    ISBN: 978-86-7555-474-5
    Naslov originala: Designing Machine Learning Systems
    Izdavač originala: O'Reilly
    Naručite
    Cena: 2.800 RSD
    Vaša cena: 2.240 RSD
    Cena za inostranstvo:
    22,00 EUR
    Kom.:
    ili
    Naručite telefonom:
    +381 11 3055010
    +381 11 3055015





    Kupljeno uz ovu knjigu

    Početak rada sa jezikom Java za Eclipse
    2500 din.

    Python za programere
    2560 din.

    Predavanja iz fizike
    2750 din.

    TeX za nestrpljive
    480 din.

    Ocene i mišljenja čitalaca
    Budite prvi koji će svoje mišljenje podeliti sa drugima (morate biti prijavljeni)

    | Pogledajte mišljenja i ocene o ovoj knjizi na:
    Pitanja, odgovori, mišljenja...
    Prijavite se ovde i pošaljite vaša mišljenja i pitanja našim urednicima i čitaocima

    Poruku poslaoPoruka
    MIKRO KNJIGA D.O.O.
    Kneza Višeslava 34, 11030 Beograd, Srbija
    e-pošta: prodaja(а)mikroknjiga.rs
    Komercijalna banka: 205-33117-65
    Matični broj: 07465181
    Šifra delatnosti: 5811
    PIB: 100575773
    Dokumenti o identifikaciji

    © Mikro knjiga 1984-2024