Vorwort
Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com
Seit dem ersten Kurs über maschinelles Lernen, den ich 2017 in Stanford gehalten habe, haben mich viele Leute um Rat gefragt, wie sie ML-Modelle in ihren Unternehmen einsetzen können. Diese Fragen können allgemeiner Natur sein, wie zum Beispiel: "Welches Modell soll ich verwenden?" "Wie oft sollte ich mein Modell neu trainieren?" "Wie kann ich Verschiebungen in der Datenverteilung erkennen?" "Wie stelle ich sicher, dass die beim Training verwendeten Merkmale mit den Merkmalen übereinstimmen, die bei der Inferenz verwendet werden?
Diese Fragen können auch spezifisch sein, z. B. "Ich bin überzeugt, dass der Wechsel von Batch-Vorhersage zu Online-Vorhersage die Leistung unseres Modells steigern wird, aber wie überzeuge ich meinen Vorgesetzten davon?" oder "Ich bin der ranghöchste Datenwissenschaftler in meinem Unternehmen und wurde kürzlich damit beauftragt, unsere erste Plattform für maschinelles Lernen einzurichten; wo soll ich anfangen?"
Meine kurze Antwort auf all diese Fragen lautet immer: "Es kommt darauf an." Meine langen Antworten beinhalten oft stundenlange Diskussionen, um zu verstehen, woher die Fragestellerin oder der Fragesteller kommt, was sie oder er eigentlich erreichen will und welche Vor- und Nachteile die verschiedenen Ansätze für ihren oder seinen speziellen Anwendungsfall haben.
ML-Systeme sind sowohl komplex als auch einzigartig. ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access