Инженерия машинного обучения

"Если вы собираетесь использовать машинное обучение для решения крупномасштабных практических задач, могу только порадоваться, что вы наткнулись на эту книгу. Читайте с удовольствием!" Кассе Козырков, главный специалист по теории принятия решений в Google "Фундаментальная работа о практическом построении моделей машинного обучения и их развертывании в производственной среде. Подоспела как раз в тот момент, когда компании начали прозревать и осознавать, что для того, чтобы решение, основанное на ...

Рейтинг LiveLib

4,0

1 оценка

5
0%
4
100%
3
0%
2
0%
1
0%

Ваша оценка

Прочитали 1Хотят прочитать 3

Рецензии

bru_sia28 сентября 2025 г.
Настоящий отзыв будет состоять из двух логически несвязанных частей, первая из которых расскажет об объективных плюсах книги и подчеркнёт её пользу для потенциальных читателей, во второй же я поделюсь собственными сожалениями в связи с неоправдавшимися ожиданиями, которые были ошибочно мною возложены на данное произведение (не в укор книги, так как она на 100% предоставляет читателю всё, что и обещает).
Книга последовательно, вдумчиво, подробно и основательно проведёт читателя через основные этапы жизненного цикла нейросетевых моделей, начиная от формулирования бизнес требований и анализа целесообразности применения искусственного интеллекта в конкретном случае, через сбор данных, их валидацию анализ, подготовку для дальнейшего использования для обучения и выделение ключевых признаков к обучения и переобучение при поступлении новых данных, оценку точности получаемого решения к финальному развёртыванию и промышленной эксплуатации полученной модели, автоматизацию все перечисленных выше шагов, а также мониторинг описанных процессов на каждом его этапе с учётом специфики и ответственных лиц.
Все эти шаги, представляющие из себя базовые компоненты классического MLOps-процесса, подаются во многом с точки зрения инженера машинного обучения, аналитика данных, DS/ML/DL-специалиста, концентрируюясь на сложностях, с которым в ходе работы можно столкнуться (и которые нередко можно по недосмотру или небрежности пропустить или не заметить, получив в итоге не то поведение конечное системы, чем ожидалось), и давая подробные советы о том, как избежать наиболее частных ошибок, а также как подходить к проектированию всей системы.
Непосредственно эксплуатации программных решений на основе машинного обучения в данной книге посвящено две последних главы, что лично для меня, ожидавшей (совершенно безосновательно, нужно это учитывать и я прекрасно это осознаю), что основной фокус книги будет направлен на инфраструктуру, развёртывание, доставку и эксплуатацию, стало существенным минусом и послужило (увы, незаслуженно) причиной, по которой снизила итоговую оценку произведению.
В заключении же хочется абстрагиваться от собственных предпочтений и ожиданий и отметить, что произведение отлично справляется со своей задачей, даёт подробный, доступный и своевременный взгляд на разработку систем машинного обучения, рассматривает все основополагающие этапы жизненного цикла нейросетевого решения, даёт ценные советы разработчикам систем искусственного интеллекта и предостерегает от излишней самонадеянности и несбыточных обещаний. Она будет полезна в качестве расширения кругозора начинающим ML/DL, DS, DA/DE инженерам, даст общее понимание MLOps процессов и научит целостно смотреть на отдельно стоящие задачи, решаемые специалистами на каждой из этих ролей.
Читать далее
Содержит спойлеры
15
76

Все рецензии

Цитаты

bru_sia28 сентября 2025 г.
Некоторые пользователи, особенно опытные, вообще не доверяют системе, когда знают, что она содержит какой-то "интеллект".
5
15
bru_sia28 сентября 2025 г.
В любое программной системе ошибки неизбежны. В системах на основе машинного обучения ошибки являются неотъемлемой частью решения: совершенных моделей не бывает. Поскольку мы не можем исправить все ошибки, остаётся только научиться с ними жить.
5
11
bru_sia28 сентября 2025 г.
Писать свой код следует, только если это абсолютно необходимо.
5
10