• Aide
  • Eurêkoi Eurêkoi

Livre

Développer des applications machine learning

Résumé

Un guide pour optimiser les performances des applications fondées sur l'apprentissage automatique, gérer leurs flux, analyser leurs performances. ©Electre 2020


  • Contributeur(s)
  • Éditeur(s)
  • Date
    • DL 2020
  • Notes
    • La couv. porte en plus : "De l'idée au produit fini"
  • Langues
    • Français
  • Description matérielle
    • 1 vol. (XVI-257 p.) : ill. ; 24 cm
  • Sujet(s)
  • ISBN
    • 978-2-412-05802-2
  • Indice
  • Quatrième de couverture
    • Développer des applications machine learning

      Acquérez les compétences nécessaires pour concevoir, construire et déployer des applications fondées sur l'apprentissage automatique (ou ML, pour machine learning). Au cours de ce livre pratique, vous construirez un exemple d'application, en allant de l'idée initiale au produit déployé. Que vous soyez spécialiste des données, ingénieur logiciel ou encore chef de produit, aussi bien professionnel expérimenté que novice, vous apprendrez pas à pas les outils, les meilleures pratiques dans ce domaine, ainsi que les défis liés à la création d'une application ML du monde réel.

      L'auteur, data scientist expérimenté qui a dirigé un programme d'éducation sur le ML, explique les concepts du ML par la pratique en utilisant des extraits de code, des illustrations, des captures d'écran et des entretiens avec des experts. La première partie vous explique comment planifier une application ML et en mesurer la réussite. La deuxième partie apprend à construire un modèle de ML fonctionnel. La troisième partie vise à améliorer le modèle jusqu'à ce qu'il corresponde totalement à votre vision initiale. La quatrième partie couvre les stratégies de déploiement et de monitoring.

      • Définissez l'objectif fixé pour votre produit et configurez un problème d'apprentissage automatique.
      • Construisez rapidement votre premier pipeline de bout en bout et acquérez un jeu de données initial.
      • Entraînez et évaluez vos modèles de ML, et attaquez-vous aux goulets d'étranglement des performances.
      • Déployez et monitorez vos modèles dans un environnement de production.

  • Tables des matières
      • Développer des applications machine learning

      • Emmanuel Ameisen

      • First Interactive

      • Introductionxi
      • Pourquoi utiliser des applications propulsées par le Machine Learningix
      • Utiliser le ML pour construire des applications pratiquesx
      • Le ML en pratiquexi
      • Conventions utilisées dans ce livrexv
      • Utilisation des exemples de codexvi
      • 1. Du produit au ML3
      • Estimer ce qui est possible4
      • Cadrer l'Éditeur ML17
      • Monica Rogati : Comment choisir et hiérarchiser les projets ML ?22
      • Conclusion25
      • 2. Créer un plan27
      • Mesurer le succès27
      • Estimer la portée et les défis36
      • Planifier l'Éditeur ML41
      • Pour faire des progrès réguliers : commencer simplement43
      • Conclusion47
      • 3. Construire un pipeline fonctionnel49
      • 4. Construire votre premier pipeline de bout en bout51
      • L'échafaudage le plus simple51
      • Prototype pour un Éditeur ML53
      • Tester votre flux de travail57
      • Évaluation du prototype de l'Éditeur ML59
      • Conclusion61
      • 5. Acquérir un jeu de données initial63
      • Itérer sur des jeux de données63
      • Explorer votre premier jeu de données65
      • Étiqueter pour trouver les tendances des données73
      • Laisser les données informer les caractéristiques et les modèles95
      • Robert Munro : Comment trouver, étiqueter et exploiter les données ?100
      • Conclusion102
      • 6. Itérer sur les modèles103
      • 7. Entraîner et évaluer votre modèle105
      • Le modèle approprié le plus simple105
      • Évaluer votre modèle : aller au-delà de l'exactitude121
      • Évaluer l'importance des caractéristiques135
      • Conclusion139
      • 8. Déboguer vos problèmes de ML141
      • Meilleures pratiques en matière de logiciels141
      • Câbler le débogage : visualisation et test144
      • Déboguer la généralisation : rendre votre modèle utile162
      • Conclusion168
      • 9. Utilisation des classifieurs pour des recommandations de rédaction169
      • Extraire les recommandations des modèles170
      • Comparer des modèles176
      • Générer des recommandations d'édition180
      • Conclusion185
      • 10. Déployer et surveiller187
      • 11. Considérations lors du déploiement des modèles189
      • Les données et leurs problèmes190
      • Préoccupations en matière de modélisation193
      • Chris Harland : Expériences de déploiement199
      • Conclusion201
      • 12. Choisir votre option de déploiement203
      • Déploiement côté serveur203
      • Déploiement côté client208
      • Apprentissage fédéré : une approche hybride212
      • Conclusion214
      • 13. Protéger les modèles215
      • Ingénierie autour des défaillances215
      • Ingénierie pour la performance225
      • Susciter des retours233
      • Chris Moody : Permettre aux spécialistes des données de déployer des modèles235
      • Conclusion237
      • 14. Monitoring et mise à jour des modèles239
      • Choisir ce que vous voulez surveiller241
      • CI/CD pour le ML245
      • Conclusion252
      • Index253

  • Origine de la notice:
    • Electre
  • Disponible - 681.21 AME

    Niveau 3 - Informatique