- 高效的机器学习团队
- - 作者：(新加坡)大卫·谭//(澳)艾达·梁//大卫·科尔斯|责编:刘炽|译者:黄俊彬
  - 出版社：中国电力
  - ISBN：9787519899592
  - 出版日期：2025/06/01
  - 页数：410
- 售价：51.2

内容大纲
    掌握加速交付机器学习解决方案所需的宝贵技能和技巧。通过这本实用指南，数据科学家、机器学习工程师及其领导者将学习如何以一种简单而实际的方式，弥合数据科学与精益产品交付之间的鸿沟。本书作者将向你展示如何运用经过验证的软件工程技能和精益产品交付实践，减少繁琐和浪费，缩短反馈循环，并在构建机器学习系统和产品时提升团队的工作流。
    本书基于作者在多个实际数据和机器学习项目中的经验，所提供的经过验证的技巧将帮助你的团队避开机器学习领域中的常见陷阱，从而使你能够更快速、更可靠地进行迭代和扩展。你将学习如何克服障碍，顺畅地交付机器学习解决方案。
    你还将学习如何：
    为机器学习系统编写自动化测试，容器化开发环境，并重构有问题的代码库。
    运用MLOps和CI／CD实践，加速实验周期并提升机器学习解决方案的可靠性。
    运用精益交付和产品实践，提高构建符合用户需求的正确产品的成功率。
    确定适合的团队结构及团队内外的协作方式，以促进快速工作流、减少认知负担，并在组织内推广机器学习实践。
作者介绍
目录
前言
  第1章  在交付机器学习解决方案中的挑战与优化路径
    1.1  ML：承诺与失望
      1.1.1  继续看好ML
      1.1.2  为什么ML项目会失败
    1.2  有更好的方法吗？系统思维和精益如何提供帮助
      1.2.1  你无法通过“MLOps”解决你的问题
      1.2.2  看到整体：以系统思维透视有效的ML交付
      1.2.3  有效交付ML所需的五项修炼
    1.3  结论
第一部分  产品和交付
  第2章  机器学习团队的产品和交付实践
    2.1  ML产品发现
      2.1.1  发现产品商机
      2.1.2  确定产品机会的画布
      2.1.3  快速设计、交付和测试解决方案的技术
    2.2  启动：让团队走向成功
      2.2.1  启动：它是什么，我们怎么做
      2.2.2  如何计划和运行启动
      2.2.3  用户故事：MVP的构建模块
    2.3  产品交付
      2.3.1  交付活动的节奏
      2.3.2  衡量产品和交付
    2.4  结论
第二部分  工程学
  第3章  有效的依赖管理：原则和工具
    3.1  如果我们的代码在任何地方、任何时候都能正常工作，会怎样
      3.1.1  更好的方法——退房走人
      3.1.2  有效管理依赖性的原则
      3.1.3  依赖性管理工具
    3.2  Docker和Batect速成课程
      3.2.1  容器是什么
      3.2.2  使用batect减少Docker中移动部件的数量
    3.3  结论
  第4章  实践中的有效依赖管理
    4.1  背景：机器学习开发工作流
      4.1.1  确定要容器化的内容
      4.1.2  动手练习：通过容器化实现可复现的开发环境
    4.2  安全的依赖管理
      4.2.1  移除不必要的依赖项
      4.2.2  自动化安全漏洞检查
    4.3  总结
  第5章  自动化测试：快速移动而不破坏
    5.1  自动化测试：快速可靠迭代的基础
      5.1.1  从“为什么”开始：测试自动化的好处
      5.1.2  如果自动化测试如此重要，为什么我们不去做呢
    5.2  ML系统全面测试策略的构建模块
      5.2.1  识别测试组件
      5.2.2  优秀测试的特点及避免的陷阱
      5.2.3  如何：测试的结构

    5.3  软件测试
      5.3.1  单元测试
      5.3.2  训练冒烟测试
      5.3.3  API测试
      5.3.4  后部署测试
    5.4  结论
  第6章  自动化测试：ML模型测试
    6.1  模型测试
      6.1.1  模型测试的必要性
      6.1.2  测试ML模型的挑战
      6.1.3  ML模型的适应度函数
      6.1.4  模型指标测试（全局和分层）
      6.1.5  行为测试
      6.1.6  测试大型语言模型：为什么和如何
    6.2  重要的模型测试补充实践
      6.2.1  错误分析和可视化
      6.2.2  从生产环境中学习，通过关闭数据收集循环
      6.2.3  开闭测试设计
      6.2.4  探索性测试
      6.2.5  改进模型的方法
      6.2.6  设计以最小化失败成本
      6.2.7  生产中的监控
      6.2.8  整合所有内容
    6.3  下一步：应用你所学到的知识
      6.3.1  逐步改进
      6.3.2  展示价值
    6.4  结论
  第7章  通过简单技巧为你的代码编辑器增效
    7.1  了解IDE的好处（以及其令人惊讶的简单性）
      7.1.1  为什么我们应该关心IDE
      7.1.2  如果IDE如此重要，为什么我还没有学过它们
    7.2  计划：通过两个阶段提高生产力
      7.2.1  阶段1：配置你的IDE
      7.2.2  阶段2：主角——键盘快捷键
      7.2.3  做到了
    7.3  结论
  第8章  重构与技术债务管理
    8.1  技术债务：我们齿轮中的沙子
      8.1.1  通过测试、设计和重构达到健康的技术债务水平
      8.1.2  重构基础
    8.2  如何重构笔记本（或有问题的代码库）
      8.2.1  计划你的重构之旅：路线图
      8.2.2  旅程：上路
      8.2.3  回顾我们的成就
    8.3  实际世界中的技术债务管理
      8.3.1  技术债务管理技术
      8.3.2  从积极的角度看待技术债务：系统健康评分
    8.4  总结：让优秀变得简单
  第9章  面向ML的MLOps和机器学习的持续交付（CD4ML）
    9.1  MLOps：优势与缺失的拼图

      9.1.1  MLOps 101
      9.1.2  嗅觉信号：我们错过了什么的提示
    9.2  机器学习的持续交付
      9.2.1  CD4ML的好处
      9.2.2  持续交付原则速成课程
      9.2.3  构建CD4ML的基础：创建一个生产就绪的ML系统
    9.3  CD4ML如何支持机器学习治理和负责任的人工智能
    9.4  总结
第三部分  团队
  第10章  打造高效机器学习团队的基石
    10.1  机器学习团队面临的常见挑战
    10.2  高效团队的内部构建模块
      10.2.1  信任：作为基础的构建模块
      10.2.2  沟通
      10.2.3  多样性成员
      10.2.4  有目的的共享进步
      10.2.5  内部策略以建立有效团队
    10.3  改善工程效率以提升工作流
      10.3.1  反馈循环
      10.3.2  认知负荷
      10.3.3  流状态
    10.4  结论
  第11章  有效的机器学习组织
    11.1  ML组织面临的常见挑战
    11.2  有效的组织作为团队的团队
      11.2.1  价值驱动的投资组合管理的角色
      11.2.2  团队拓扑模型
      11.2.3  机器学习团队的团队拓扑
      11.2.4  组织策略以建立高效团队
    11.3  有意领导
      11.3.1  为有效团队创建结构和系统
      11.3.2  参与利益相关者并协调组织资源
      11.3.3  培养心理安全
      11.3.4  推动持续改进
      11.3.5  将失败视为学习机会
      11.3.6  构建我们希望拥有的文化
      11.3.7  鼓励团队在工作中玩耍
    11.4  结论

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目