构建基于机器学习的应用程序

索引

A

• A/B 测试,A/B 测试和实验
• 精确度
  • 定义，法官表现
  • 展望未来，评估您的模型：超越准确性
• 敌对分子
  • 滥用和双重用途、滥用问题和双重用途、监测以发现滥用行为
  • 击败 ML 模型, 击败模型
  • 利用模型,利用模型
• 综合指标,超越综合指标,包容性模型性能
• 算法
  • 作为算法，最简单的方法：成为算法，成为算法
  • 分类和回归,分类和回归
  • 聚类分析、高效探索和标签
  • k均值,聚类
  • 有监督与无监督、模型、新鲜度和分布转移
• 异常检测、分类和回归、监控以检测滥用行为
• Apache 气流、数据处理和 DAG
• 应用（另见ML 驱动的应用）
  • 使用 ML构建实用 应用程序, 使用 ML 构建实用应用程序
  • 应用 ML 所面临的挑战,使用机器学习驱动的应用程序的目标
  • 确定什么是可能的，《估计什么是可能的》，莫妮卡-罗加蒂：如何选择和优先考虑 ML 项目
  • 构建由 ML 驱动的流程,ML 流程
• AUC（曲线下面积），ROC 曲线
• 自动照片标记系统、包容性模型性能
• 自回归整合移动平均法（ARIMA），我们的数据具有时间性
• 自回归模型，《尝试用 ML 做所有事情：端到端框架》（Trying to Do It All with ML: An End-to-End Framework）。

B

• 词袋、文本数据
• 批量预测,批量预测
• BERT、文本数据
• 偏见
  • 数据 偏差, 数据偏差
  • 系统性偏见,系统性偏见
• 偏差-方差权衡，法官绩效-偏差方差权衡
• 黑盒子解释器,黑盒子解释器,提取局部特征重要性
• BLEU 分数、模型性能
• 虚化，成为算法
• 边界框、从非结构化数据中提取知识

C

• 缓存
  • 定义，ML 缓存
  • 通过索引 缓存
  • 推理结果,缓存推理结果
• 校准曲线,校准曲线,使用模型的得分
• 案例研究
  • 评估数据质量，ML 编辑器数据检查-ML编辑器数据检查
  • 数据伦理、数据所有权
  • 提取建议，从模型中提取建议--提取局部特征重要性
  • 特征生成、ML 编辑器特征
  • ML 范式中的构架，构架 ML 编辑器--中间地带：从我们的经验中学习
    • 作为算法，《最简单的方法》：作为算法
    • 端到 端框架,Trying to Do It All with ML: An End-to-End Framework
    • 从数据中学习（分类器方法），Middle Ground：从我们的经验中学习
  • 原型
    • 构建 ML 编辑器原型--生成功能
    • 评估，ML 编辑器原型评估--用户体验
  • 模拟图，找到正确的 ML 方法
  • 模型比较，比较模型--第3 版：可理解的建议
  • 模型评估
    • 直接来自分类器的特征重要性
    • top-k 方法,k 个表现最差的例子,ML 编辑器的 Top-k 方法
  • 模型选择、ML 编辑模型
  • 模型培训
    • 评审表现、评审表现
    • 分割数据集,ML 编辑器数据分割
  • 概述，我们的案例研究：ML 辅助写作
  • 性能指标
    • 新鲜度和配送转变，新鲜度和配送转变
    • 推荐有用性、业务绩效
  • 规划
    • 编辑初始计划,编辑初始计划
    • 复杂程度不断提高，衡量成功
    • 简单管道，ML 编辑器管道
    • 简单的起始模型，总是从简单的模型开始
  • 可视化和探索数据
    • 使用 Bokeh、Be the Algorithm进行检查和标记
    • 摘要统计,ML 编辑器摘要统计
• 目录组织,目录组织
• CI/CD（持续改进/持续交付）
  • A/B 测试和实验,A/B 测试和实验
  • 已定义，用于 ML 的 CI/CD
  • 影子模式部署、ML 的 CI/CD
• 分类与回归,分类与回归,中间地带：从经验中学习，数据与预测对比
• 清理数据、解析和清理数据
• 点击率 (CTR)、业务绩效、校准曲线、业务指标
• 客户端部署, 客户端部署
• 聚类分析、高效探索和标签、聚类、降低误差维度
• 代码示例, 获取和使用,使用代码示例
• 代码质量评估,最简单的脚手架
• 协作过滤推荐系统、目录组织
• 评论和问题,如何联系我们
• 常见的爬行、高效、从小事做起
• 计算机视觉,分类与回归,克里斯-哈兰德航运实验 ...