Patrones de diseño de aprendizaje automático

Los patrones de diseño de este libro recogen las mejores prácticas y soluciones a problemas recurrentes en el aprendizaje automático. Los autores, tres ingenieros de Google, catalogan métodos probados para ayudar a los científicos de datos a abordar problemas comunes a lo largo del proceso de ML. Estos patrones de diseño codifican la experiencia de cientos de expertos en consejos sencillos y accesibles.

En este libro encontrarás explicaciones detalladas de 30 patrones para la representación de datos y problemas, la operacionalización, la repetibilidad, la reproducibilidad, la flexibilidad, la explicabilidad y la equidad. Cada patrón incluye una descripción del problema, una variedad de posibles soluciones y recomendaciones para elegir la mejor técnica para tu situación.

Aprenderás a:

• Identificar y mitigar los retos habituales al entrenar, evaluar y desplegar modelos de ML
• Representar datos para distintos tipos de modelos de ML, como incrustaciones, cruces de características, etc.
• Elegir el tipo de modelo adecuado para problemas específicos
• Construye un bucle de entrenamiento robusto que utilice puntos de control, estrategia de distribución y ajuste de hiperparámetros
• Despliega sistemas de ML escalables que puedas volver a entrenar y actualizar para reflejar nuevos datos
• Interpreta las predicciones del modelo para las partes interesadas y asegúrate de que los modelos tratan a los usuarios de forma justa