构建机器学习应用(影印版)(英文版)

学习设计、构建和部署 机器学习（ML）应用所需 的技能。通过这本实用的教 程，你将构建一个机器学习 驱动的示例应用程序，将最 初的想法转化成可部署的产 品。数据科学家、软件工程 师和产品经理一一无论经验 丰富的的专家还是刚刚入门 的新手一一都可以循序渐进 地学习构建实际的机器学习 应用程序所涉及的工具、最 佳实践和技术挑战。 作者Emmanuel Ameisen 是一名经验丰富的数据科学 家，他领导着一个人工智能 教育项目群，通过代码片段 、插图和屏幕截图以及对行 业领袖的采访内容展示实用 的机器学习概念。本书第一 部分教授如何设计一个机器 学习应用程序并评估效果； 第二部分介绍如何构建一个 可用的机器学习模型；第三 部分演示改进模型的方法， 让模型满足你最初的设想； 第四部分介绍应用部署和监 测策略。 这本书将帮助你： 定义产品目标，确立一 个机器学习问题； 快速构建一个端到端机 器学习流水线并获取一个初 始数据集； 培训和评估机器学习模 型并解决性能瓶颈； 在生产环境中部署和监 测模型。

Preface Part I. Find the Correct ML Approach 1. From Product Goal to ML Framing Estimate What Is Possible Models Data Framing the ML Editor Trying to Do It All with ML: An End-to-End Framework The Simplest Approach: Being the Algorithm Middle Ground: Learning from Our Experience Monica Rogati: How to Choose and Prioritize ML Projects Conclusion 2. Createa Plan Measuring Success Business Performance Model Performance Freshness and Distribution Shift Speed Estimate Scope and Challenges Leverage Domain Expertise Stand on the Shoulders of Giants ML Editor Planning Initial Plan for an Editor Always Start with a Simple Model To Make Regular Progress: Start Simple Start with a Simple Pipeline Pipeline for the ML Editor Conclusion Part II. Build a Working Pipeline 3. Build Your First End-to-End Pipeline The Simplest Scaffolding Prototype of an ML Editor Parse and Clean Data Tokenizing Text Generating Features Test Your Workflow User Experience Modeling Results ML Editor Prototype Evaluation Model User Experience Conclusion 4. Acquire an Initial Dataset Iterate on Datasets Do Data Science Explore Your First Dataset Be Efficient, Start Small Insights Versus Products A Data Quality Rubric Label to Find Data Trends