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