Aufbau von Anwendungen mit maschinellem Lernen

Teil II. Eine funktionierende Pipeline aufbauen

Da das Erforschen, Trainieren und Auswerten von Modellen ein zeitaufwändiger Prozess ist, kann es im Bereich ML sehr kostspielig sein, die falsche Richtung einzuschlagen. Deshalb konzentriert sich dieses Buch darauf, das Risiko zu verringern und die höchste Priorität zu identifizieren.

Während sich Teil I auf die Planung konzentrierte, um die Geschwindigkeit und die Erfolgschancen zu maximieren, geht es in diesem Kapitel um die Umsetzung. Wie Abbildung II-1 zeigt, solltest du bei ML, wie in vielen Bereichen der Softwareentwicklung, so schnell wie möglich zu einem Minimum Viable Product (MVP) kommen. In diesem Abschnitt geht es genau darum: wie du am schnellsten eine Pipeline aufbaust und sie evaluierst.

Die Verbesserung dieses Modells wird der Schwerpunkt von Teil III dieses Buches sein.

Abbildung II-1. Der richtige Weg zum Aufbau deiner ersten Pipeline (mit Genehmigung von Henrik Kniberg)

Wir werden unser erstes Modell in zwei Schritten aufbauen:

Kapitel 3

In diesem Kapitel werden wir die Struktur und das Gerüst unserer Anwendung aufbauen. Dazu gehört der Aufbau einer Pipeline, die Benutzereingaben entgegennimmt und Vorschläge zurückgibt, sowie einer separaten Pipeline, die unsere Modelle trainiert, bevor wir sie einsetzen.

Kapitel 4

In diesem Kapitel konzentrieren wir uns auf das Sammeln und Prüfen eines ersten Datensatzes. ...