Проектирование систем машинного обучения

Сегодня машинное обучение – основной практический аппарат для применения искусственного интеллекта. Книга, основанная на стэнфордском учебном курсе, не ограничивается разбором конкретных библиотек, а описывает высокоуровневый подход к разработке систем машинного обучения, который упрощает их поддержку и развитие, позволяет избежать переобучения, искажения результатов. Рассказано, как сделать новую систему машинного обучения или нейронную сеть, надёжной, репрезентативной и расширяемой, а также ка...

Рейтинг LiveLib

4,3

3 оценки

5
33%
4
67%
3
0%
2
0%
1
0%

Ваша оценка

Прочитали 5Хотят прочитать 3

Рецензии

bru_sia
30 ноября 2025
Развертывание ML-моделей — задача инженерная, а не уровня ML.
Представленная вниманию читателя книга скорее методологическая, чем техническая. Широким профессиональным взглядом она охватывает все стадии классического жизненного цикла нейросетевых моделей, не забывая (как это нередко бывает в специализированной ML/DL-литературе, направляющей основной фокус на разработку модели) не менее подробно рассмотреть трудности, связанные с эксплуатацией готового решения. Учитывая, что в сфере ИИ понятие "готовности" зачастую вовсе неприменимо: в ходе эксплуатации исходные распределения данных, итеративно разрабатываемые и дорабатываемые модели, подходы и архитектуры изменяются, тестируются и обновляются, что делает как разработку, так и доставку и развёртывание частями единого непрерывного процесса наподобие того, как это давно принято в промышленной разработке и эксплуатации программного обеспечения.
Как я отметила ранее, технической составляющей в книге не так уж и много. В отличие от той же Yuan Tang - Distributed Machine Learning Patterns , о которой я оставляла подробный отзыв ранее и которая гораздо больше посвящена проектированию систем, данная книга даёт скорее более высокоуровневый взгляд на то, как следует выстраивать процессы разработки внутри компании, как распределять обязанности между командами и каким аспектам в каждом из больших блоков жизненного цикла программного продукта, использующего системы искусственного интеллекта, уделять больше внимания. Также верхнеуровнево без глубокой специфика объяснены различия разных подходов, реализаций и методов, разобраны преимущества и ограничения каждого и целесообразность использования той или иной модели в зависимости от ситуации, целей бизнеса и нужд пользователей и компании в целом.
По доступности и охвату книга будет полезна любому из специалистов в областях, связанных с разработкой систем ИИ, находящихся [специалистов] на любой из стадий этого объёмного процесса), даст структурированное понимание сферы применения систем машинного обучения и подходов к проектированию таких систем. Тем не менее, предположу, что наибольший интерес в силу особенностей мышления и фокуса на системных вопроса она вызовет у опытных инженеров, в то время, как наибольшую пользу принесёт именно начинающим и/или развивающимся специалистам.
Помимо несомненных плюсов, уже перечисленных ранее, отдельной благодарности автор заслуживает в связи с рассмотрением этических аспектов разработки ИИ, взаимодействию с общественностью, а также экспертами из предметной области (которых автор настоятельно рекомендует использовать по максимуму на всех стадиях процесса разработки и анализа моделей). Эта отдельная область, заслуживающая, пожалуй, отдельной книги. Тем благодарнее я автору за то немыслимое количество рекомендованной литературы, сопутствующей каждому смысловому блоку книги и позволяющей углубиться в любой из заинтересовавших читателя аспектов систем применимости ИИ.
Удачи вам в попытке научить врача использовать Git.
Читать далее
Содержит спойлеры
13 понравилось
0
98