Инженерия машинного обучения

Содержание книги "Инженерия машинного обучения "

От издательства
Вступительное слово
Предисловие
Глава 1. Введение
1.1. Обозначения и определения
1.2. Что такое машинное обучение
1.3. Терминология машинного обучения
1.4. Когда следует использовать машинное обучение
1.5. Когда не следует использовать машинное обучение
1.6. Что такое инженерия машинного обучения
1.7. Жизненный цикл проекта машинного обучения
1.8. Резюме
Глава 2. Прежде чем приступать к проекту
2.1. Определение приоритетов проекта машинного обучения
2.2. Оценивание сложности проекта машинного обучения
2.3. Определение цели проекта машинного обучения
2.4. Организация группы машинного обучения
2.5. Причины провалов проектов машинного обучения
2.6. Резюме
Глава 3. Сбор и подготовка данных
3.1. Вопросы к данным
3.2. Типичные проблемы с данными
3.3. Что считать хорошими данными
3.4. Обработка данных о взаимодействии
3.5. Причины просачивания данных
3.6. Разбиение данных
3.7. Обработка отсутствия атрибутов
3.8. Приращение данных
3.9. Обработка несбалансированных данных
3.10. Стратегии выборки данных
3.11. Хранение данных
3.12. Дополнительные рекомендации по работе с данными
3.13. Резюме
Глава 4. Конструирование признаков
4.1. Зачем конструировать признаки
4.2. Как конструируются признаки
4.3. Штабелирование признаков
4.4. Свойства хороших признаков
4.5. Отбор признаков
4.6. Синтезирование признаков
4.7. Обучение признаков на данных
4.8. Понижение размерности
4.9. Масштабирование признаков
4.10. Просачивание данных при конструировании признаков
4.11. Хранение и документирование признаков
4.12. Рекомендации по конструированию признаков
4.13. Резюме
Глава 5. Обучение модели с учителем (часть 1)
5.1. Прежде чем приступать к работе над моделью
5.2. Представление меток для машинного обучения
5.3. Выбор алгоритма обучения
5.4. Построение конвейера
5.5. Оценивание качества модели
5.6. Настройка гиперпараметров
5.7. Обучение поверхностной модели
5.8. Компромисс между смещением и дисперсией
5.9. Регуляризация
5.10. Резюме
Глава 6. Обучение модели с учителем (часть 2)
6.1. Стратегия обучения глубоких моделей
6.2. Штабелирование моделей
6.3. Борьба со сдвигом распределения
6.4. Обработка несбалансированных наборов данных
6.5. Калибровка модели
6.6. Поиск неполадок и анализ ошибок
6.7. Рекомендации
6.8. Резюме
Глава 7. Оценивание модели
7.1. Офлайновое и онлайновое оценивания
7.2. A/B-тестирование
7.3. Многорукий бандит
7.4. Статистические границы качества модели
7.5. Оценивание адекватности тестового набора
7.6. Оценивание свойств модели
7.7. Резюме
Глава 8. Развертывание модели
8.1. Статическое развертывание
8.2. Динамическое развертывание на устройстве пользователя
8.3. Динамическое развертывание на сервере
8.4. Стратегии развертывания
8.5. Автоматизированное развертывание, версионирование и метаданные
8.6. Рекомендации по развертыванию модели
8.7. Резюме
Глава 9. Выполнение, мониторинг и сопровождение модели
9.1. Свойства среды выполнения модели
9.2. Режимы выполнения модели
9.3. Выполнение модели на практике
9.4. Мониторинг модели
9.5. Сопровождение модели
9.6. Резюме
Глава 10. Заключение
10.1. Сухой остаток
10.2. Что еще почитать
10.3. Благодарности
Предметный указатель