人工智慧：智慧型系統導論3/e (3版)
相關熱銷的書籍推薦給您
書名：人工智慧：智慧型系統導論(第三版)
作者：李聯旺
出版社：全華
ISBN：9789862800959
立即查看
內行人才知道的機器學習系統設計面試指南
類似書籍推薦給您
【簡介】
這本最新的面試指南提供了大量具有高度相關性的深入洞見，為讀者解鎖ML系統設計面試的整個程序。科技業長期以來一直缺乏這樣的資源，而作者則是用本書給出了解方。
— Eddie Santos，Block機器學習工程師
本書是ML專業人士的重要資源，針對各領域的ML系統設計，提供了極為精彩的實用資訊。對於任何有興趣學習系統設計應用知識的人來說，本書可說是非常完美，也是準備面試時非常理想的參考資源！
— Aishwarya Srinivasan，Google資料科學家
在ML相關的各種面試中，ML系統設計可說是最具有挑戰性的主題之一，這類的職位有可能包括資料工程師、資料科學家、 ML工程師等等。
如果你正打算準備參加ML面試，無論初學者還是經驗豐富的工程師，本書就是為你而寫的。
想像一下，在一場競爭激烈的ML面試中，面試官要求你設計一套端到端的ML系統，可能是視覺搜尋、偵測違反社群守則的字詞，或廣告點擊預測。
你知道，這些題目沒有標準答案，真正的挑戰在於你如何思考，如何深入理解各種ML主題，最後設計出一個既複雜又實用的系統。
面試官會仔細評估你的設計過程、在多種設計選項中你如何做出權衡取捨。最重要的是，你是否有能力成功設計出一個有效的ML系統。
該如何在這樣的面試中脫穎而出，順利成為一名成功的ML工程師呢？
本書以7步驟框架、10個真實案例及211個圖表，提供機器學習系統設計面試的強化策略。
ML系統設計的面試考題，主要是想評估應試者能否設計出一些端對端的ML系統（例如視覺搜尋、影片推薦、廣告點擊的預測……等等）。這些考題通常都缺乏清晰的結構，涵蓋的主題範圍也比較廣泛，往往相當具有挑戰性；而且通常不會有很明確的答案，所以很可能有多種不同的解釋方式與解法。
總體來說，面試的目標就是要評估應試者能不能應用ML的理論知識，設計並實作出真正有效的系統。
本書有哪些內容？
關於面試官真正想找的人以及背後的緣由，提供內行人真正的看法。
7步驟框架 可用來解決任何ML系統設計面試問題。
10個ML系統設計面試實戰題 以及詳細的解決方案。
211張圖表 更直觀解釋了各種系統的原理。
【目錄】
Chapter 1 簡介與概述
Chapter 2 視覺搜尋系統
Chapter 3 Google 街景模糊化系統
Chapter 4 YouTube 影片搜尋
Chapter 5 有害內容偵測
Chapter 6 影片推薦系統
Chapter 7 活動推薦系統
Chapter 8 社群平台的廣告點擊預測
Chapter 9 短期租屋平台的類似選項
Chapter 10 個人動態訊息
Chapter 11 你或許認識的朋友
立即查看
AI開發的機器學習系統設計模式 (1版)
類似書籍推薦給您
內容簡介
幫助您更了解如何實務開發中應用機器學習技術
本書是機器學習系統設計模式的集合，範例使用的平台是Docker和Kubernetes，以確保程式碼的可重複執行。本書描述機器學習從訓練、評估和QA，到發布和運行推理器的順序，以及架構和代碼。藉由本書的指引，能夠幫助您更有效地使用機器學習的技術，將其應用在實際的系統開發中。
本書可以幫助您：
．了解如何MLOps這種機器學習付諸實用的開發維護方法
．了解建置機器學習系統的方法，包括專為機器學習設計的系統（機器學習管線或實驗管理）與專為使用機器學習設計的系統（發佈或推論器），以實現MLOps
．了解改善機器學習系統品質的方法，以及如何透過後續的維護改善模型
來自讀者的讚譽
＂蘊含了MLOps的精華＂
＂詳細介紹了如何開發在商業環境中應用機器學習的系統＂
＂資訊豐富，是開發大型系統極佳的參考資料＂
目錄
Part I｜機器學習與MLOps
CHAPTER 1 何謂機器學習系統？
1.1 機器學習、MLOps、系統
1.2 目標是打造方便使用者的機器學習
1.3 機器學習系統所需的東西
1.4 讓機器學習系統模式化
1.5 本書的編排方式
Part II｜建立機器學習系統
CHAPTER 2 建置模型
2.1 建置模型
2.2 反面模式｜Only me 模式
2.3 專案、模型與版本管理
2.4 管線學習模式
2.5 批次學習模式
2.6 反面模式｜複雜管線模式
CHAPTER 3 發佈模型
3.1 學習環境與推論環境
3.2 反面模式｜版本不一致模式
3.3 模型的發行與推論器的運作
3.4.1 用例
3.5 Model loader 模式
3.6 模型的發行與水平擴充
CHAPTER 4 建立推論系統
4.1 為什麼要建立系統
4.2 Web Single 模式
4.3 同步推論模式
4.4 非同步推論模式
4.5 批次推論模式
4.6 前置處理推論模式
4.7 微服務串聯模式
4.8 微服務並聯模式
4.9 時間差推論模式
4.10 推論快取模式
4.11 資料快取模式
4.12 推論器範本模式
4.13 Edge AI模式
4.14 反面模式｜Online Big Size 模式
4.15 反面模式｜All in One 模式
Part III｜品質、維護、管理
CHAPTER 5 維護機器學習系統
5.1 機器學習的應用
5.2 推論日誌模式
5.3 推論監控模式
5.4 反面模式｜無日誌資料模式
5.5 反面模式｜孤兒模式
CHAPTER 6 維持機器學習系統的品質
6.1 機器學習系統的品質與維護
6.2 機器學習系統的正常性評估指標
6.3 負載測試模式
6.4 推論斷路器模式
6.5 Shadow A／B測試模式
6.6 線上A／B測試模式
6.7 參數基礎推論模式
6.8 條件分歧推論模式
6.9 反面模式｜純離線模式
CHAPTER 7 End-to-End 的 MLOps 系統設計
7.1 課題與手法
7.2 需求預測系統的範例
7.3 內容上傳服務的範例
7.4 總結
立即查看
大數據分析與應用實戰：統計機器學習之資料導向程式設計
類似書籍推薦給您
書名：大數據分析與應用實戰：統計機器學習之資料導向程式設計
作者：鄒慶士
出版社：東華
出版日期：2019/04/01
ISBN：9789574363407
內容簡介
本書特色
•文字說明、程式碼與執行結果等交叉呈現，有助於閱讀理解。
•來自不同領域的資料處理與分析範例。
•同時掌握資料分析兩大主流工具 - R 與 Python。
•凸顯第四代與第三代程式語言不同之處。
•深入淺出地介紹統計機器學習理論與實務。
•符合 iPAS 經濟部產業人才能力鑑定巨量資料分析師各科評鑑主題。
目錄
第一章資料導向程式設計
1.1 套件管理
1.1.1 基本套件
1.1.2 建議套件
1.1.3 貢獻套件
1.2 環境與輔助說明
1.3 R 語言資料物件
1.3.1 向量
1.3.2 矩陣
1.3.3 陣列
1.3.4 串列
1.3.5 資料框
1.3.6 因子
1.3.7 R 語言原生資料物件取值
1.3.8 R 語言衍生資料物件
1.4 Python 語言資料物件
1.4.1 Python 語言原生資料物件操弄
1.4.2 Python 語言衍生資料物件取值
1.4.3 Python 語言類別變數綸碼
1.5 向量化與隱式迴圈
1.6 編程範式與物件導向概念
1.6.1 R 語言 S3 類別
1.6.2 Python 語言物件導向
1.7 控制敘述與自訂函數
1.7.1 控制敘述
1.7.2 自訂函數
1.8 資料匯入與匯出
1.8.1 R 語言資料匯入及匯出
1.8.2 Python 語言資料匯入及匯出
1.9 程式除錯與效率監測
第二章資料前處理
2.1 資料管理
2.1.1 R 語言資料組識與排序
2.1.2 Python 語言資料排序
2.1.3 R 語言資料變形
2.1.4 Python語言資料變形
2.1.5 R 語言資料清理
2.1.6 Python 語言資料清理
2.2 資料摘要與彙總
2.2.1 摘要統計量
2.2.2 R 語言群組與摘要
2.2.3 Python 語言群組與摘要
2.3 屬性工程
2.3.1 屬性轉換與移除
2.3.2 屬性萃取之主成份分析
2.3.2.1奇異值矩陣分解
2.3.3 屬性挑選
2.3.4 小結
2.4 巨量資料處理概念
2.4.1 文字資料處理
2.4.2 Hadoop 分散式檔案系統
2.4.3 Spark 叢集訓計算框架
第三章統計機器學習基礎
3.1 隨機誤差模型
3.1.1 統計機器學習類型
3.1.2 過度配適
3.2 模型績效評量
3.2.1 迴歸模型績效指標
3.2.2 分類模型績效指標
3.2.2.1 模型預測值
3.2.2.2 混淆矩陣
3•2.2.3 整體指標
3.2.2.4 類別相關指標
3.2.3 模型績效視覺化
3.3 模型選擇與評定
3.3.1 重抽樣與資料切分方法
3.3.2 單類模型參數調校
3.3.2.1 多個參數待調
3.3.2.2 客製化參數調校
3.3.3 比較不同類的模型
3.4 相似性與距離
3.5 相關與獨立
3.5.1 數值變數與順序尺度類別變數
3.5.2 名目尺度類別變數
3.5.3 類別變數視覺化關聯檢驗
第四章非監督式學習
4.1 資料視覺化
4.1.1 圖形文法繪圖
4.2 關聯型態探勘
4.2.1 關聯型態評估準則
4.2.2 線上音樂城關聯規則分析
4.2.3 結語
4.3 集群分析
4.3.1 k 平均數集群
4.3.1.1 青少年市場區隔案例
4.3.2 階層式集群
4.3.3 密度集群
4.3.3.1 密度集群案例
4.3.4 集群結果評估
4.3.5 結語
第五章監督式學習
5.1 線性迴歸與分類
5.1.1 多元線性迴歸
5.1.2 偏最小平方法迴歸
5.1.3 脊迴歸、LASSO 迴歸與彈性網罩懲罰模型
5.1.4 線性判別分析
5.1.4.1 貝氏法
5.1.4.2 費雪法
5.1.5 羅吉斯迴歸分類與廣義線性模型
5.2 非線性分類與迴歸
5.2.1 天真貝式分類
5.2.1.1手機簡訊過濾案例
5.2.2 k 近鄰法分類
5.2.2.1 電離層無線電訊號案例
5.2.3 支援向量機分類
5.2.3.1 光學手寫字元案例
5.2.4 分類與迴歸樹
5.2.4.1 銀行貸款風險管理案例
5.2.4.2 酒品評點迴歸樹預測
5.2.4.3 小結
第六章其它學習方式
6.1 薈萃式學習
6.1.1 拔靴集成法
6.1.2 多模激發法
6.1.2.1 房價中位數預測案例
6.1.3 隨機森林
6.1.4 小結
6.2 深度學習
6.2.1 類神經網路簡介
6.2.2 多層感知機
6.2.2.1 混凝土強度佔計案例
6.2.3 卷積神經網路
6.2.4 遞歸神經網路
6.2.5 自動編碼器
6.2.6 受限波茲曼機
6.2.7 深度信念網路
6.2.8 深度學習參數調校
6.3 強化式學習
立即查看
機器學習設計模式 Machine Learning Design Patterns (1版)
類似書籍推薦給您
內容簡介
資料準備、模型建構與MLOps常見挑戰的解決方案
本書的設計模式介紹常見的機器學習最佳實踐法和解決方案。作者是三位Google工程師，他們整理了一些經過驗證的方法，協助資料科學家匯整ML程序中常見的問題，用這些設計模式來將數百位專家的經驗整理成直觀、平易近人的建議。
這本書詳細地解釋30種模式，介紹資料和問題的表示法、作業化、可重複性、再現性、靈活性、可解釋性和公平性，每一種模式都包含問題描述、各種可能的解決方案，以及視情況選擇最佳技術的建議。
你將學會：
‧在訓練、評估和部署ML模型時，認出常見的挑戰並處理它們
‧表示各種ML模型的資料，包括embedding、feature cross(特徵交叉)等
‧為具體的問題選擇適合的模型
‧使用檢查點、發布策略和超參數調整來建立穩健的訓練循環
‧部署可擴展的ML系統，以便用新資料來進行重新訓練和更新
‧向關係人解釋模型為何做出那些預測，以確保模型公平地對待用戶
‧提高模型的準確性、再現性和復原力
好評推薦
「本書提供了豐富的範例，如果你是資料科學家或ML工程師，而且想要了解如何使用行之有效的解決方案來處理複雜的ML問題，你一定要看這本書。」 —David Kanter ML Commons執行長
「如果你想在建構ML解決方案的過程中減少傷害、碰撞和磨擦，Lak、Sara和Michael可以在背後支持你。」 —Will Grannis Google Cloud CTO Office常務董事
目錄
前言
第一章 為何需要機器學習設計模式
第二章 資料表示
第三章 問題表示
第四章 模型訓練
第五章 提供具復原力的服務
第六章 再現性
第七章 Responsible AI
第八章 連接模式
索引
立即查看
創新科技設計：基因組學、機器人學與物聯網的UX設計 (1版)
類似書籍推薦給您
內容簡介
如果你正在找尋如何設計未來的洞見，未來就在這裡
-Dan Saffer, 《微互動 Microinteractions》一書作者
這本書對任何參與產品創新設計、創業家或研究未來技術應用的人都是必讀好書。主題內容涵蓋多種未來創新領域"
-Carla Diana, 創新技術專家與作者
數位與行動革命只是下一波技術創新的前奏，後續發展中的機械蠕蟲、皮膚崁入電腦與生化列印器官才是重點。在這本合輯中，設計家、工程師與研究人員共同討論他們對顛覆性科技的體驗設計方法。
設計不只是運用科技的基礎架構，必須以經濟生態圈與意外創造等更宏觀的角度來看待。如果你是有創意、勇於挑戰複雜性的UX設計家或工程師，這本書將會帶給你啟示。
本書作者包含：
Stephen Anderson
Martin Charlier
Lisa deBettencourt
Jeff Faneuff
Andy Goodman
Camille Goudeseune
Bill Hartman
Erin Rae Hoffer
Steven Keating Brook Kennedy
Dirk Knemeyer
Barry Kudrowitz
Gershom Kutliroff
Michal Levin
Matt Nish-Lapidus
Marco Righetto
Juhan Sonin
Scott Stropkay
Scott Sullivan
Hunter Whitney
Yaron Yanai
產品目錄
第一章：創新科技設計
第二章：智慧材料：設計材料行為
第三章：控制手勢互動
第四章：時尚功能：可穿戴設計
第五章：以物品學習與思考
第六章：協作機器人的設計
第七章：設計新維度：神經科學與宇宙學的演進視覺化方法
第八章：可嵌入：可穿戴科技的下一個演化
第九章：互動物件原型設計
第十章：創新科技與玩具設計
第十一章：樂器設計
第十二章：為生命設計
第十三章：架構即介面：呼求互連環境的混合設計方法
第十四章：網路世界的設計：二十一世紀的實作
第十五章：設計規範的新責任：新科技的重要平衡物？
第十六章：設計人機關係
第十七章：設計幻想與合成生物學碰撞時的體驗及服務
第十八章：超越 3D 列印：增材製造的新維度
第十九章：成為專家的專家
第二十章：改變中的設計角色
立即查看
華通書坊
