機器學習項目成功交付

第1章  引言：交付機器學習項目很困難，讓我們做得更好 1
1.1  機器學習的定義 2
1.2  機器學習很重要 4
1.3  其他機器學習方法 8
1.4  理解本書內(nèi)容 12
1.5  案例研究：The Bike Shop 15
1.6  小結(jié) 16
第2章  項目前期：從機會到需求 17
2.1  項目前期待辦事項 18
2.2  項目管理基礎(chǔ)設(shè)施 20
2.3  項目需求 21
2.3.1  投資模式 22
2.3.2  業(yè)務需求 23
2.4  數(shù)據(jù) 28
2.5  安全與隱私 31
2.6  企業(yè)責任、監(jiān)管和道德考慮 33
2.7  開發(fā)架構(gòu)及流程 37
2.7.1  開發(fā)環(huán)境 39
2.7.2  生產(chǎn)架構(gòu) 40
2.8  小結(jié) 41
第3章  項目前期：從需求到提案 43
3.1  建立項目假設(shè) 43
3.2  創(chuàng)建項目估計 47
3.2.1  時間和精力估計 47
3.2.2  機器學習項目的團隊設(shè)計 49
3.2.3  項目風險 55
3.3  售前/項目前期管理 56
3.4  項目前期/售前清單 56
3.5  The Bike Shop預售 58
3.6  有關(guān)項目前期的后記 65
3.7  小結(jié) 66
第4章  開始工作 67
4.1  Sprint 0待辦事項 67
4.2  最終確定團隊設(shè)計和資源配置 68
4.3  工作方式 69
4.3.1  流程與結(jié)構(gòu) 69
4.3.2  心跳和溝通方案 71
4.3.3  工具 72
4.3.4  標準和實踐 76
4.3.5  文檔 78
4.4  基礎(chǔ)設(shè)施計劃 80
4.4.1  系統(tǒng)訪問 80
4.4.2  技術(shù)基礎(chǔ)設(shè)施評估 81
4.5  數(shù)據(jù)故事 81
4.5.1  數(shù)據(jù)收集動機 84
4.5.2  數(shù)據(jù)收集機制 84
4.5.3  數(shù)據(jù)沿襲 85
4.5.4  事件 87
4.6  隱私、安全和道德計劃 87
4.7  項目路線圖 88
4.8  Sprint 0清單 89
4.9  The Bike Shop：項目設(shè)置 90
4.10  小結(jié) 96
第5章　深入研究問題 97
5.1  Sprint 1待辦事項 97
5.2  理解數(shù)據(jù) 98
5.2.1  數(shù)據(jù)調(diào)查 99
5.2.2  調(diào)查數(shù)值數(shù)據(jù) 101
5.2.3  調(diào)查分類數(shù)據(jù) 103
5.2.4  調(diào)查非結(jié)構(gòu)化數(shù)據(jù) 104
5.2.5  報告和使用調(diào)查結(jié)果 106
5.3  業(yè)務問題細化、用戶體驗和應用程序設(shè)計 107
5.4  構(gòu)建數(shù)據(jù)管道 110
5.4.1  數(shù)據(jù)融合問題 113
5.4.2  管道叢林 114
5.4.3  數(shù)據(jù)測試 116
5.5  模型存儲庫和模型版本控制 117
5.5.1  特征、基礎(chǔ)模型和訓練機制 118
5.5.2  版本控制概述 119
5.6  小結(jié) 120
第6章  探索性數(shù)據(jù)分析、道德和基線評估 121
6.1  探索性數(shù)據(jù)分析 121
6.1.1  探索性數(shù)據(jù)分析的目標 122
6.1.2  匯總和描述數(shù)據(jù) 123
6.1.3  繪圖和可視化 125
6.1.4  非結(jié)構(gòu)化數(shù)據(jù) 129
6.2  道德檢查點 133
6.3  基線模型和性能 134
6.4  出現(xiàn)問題時的解決方案 135
6.5  預建模檢查表 137
6.6  The Bike Shop：預建模 137
6.6.1  數(shù)據(jù)調(diào)查結(jié)束后 138
6.6.2  探索性數(shù)據(jù)分析實現(xiàn) 141
6.7  小結(jié) 144
第7章  使用機器學習技術(shù)制作實用模型 145
7.1  Sprint 2待辦事項 146
7.2  特征工程和數(shù)據(jù)增強 147
7.2.1  特征工程的基礎(chǔ)概念 148
7.2.2  創(chuàng)建新特征 150
7.2.3  數(shù)據(jù)增強 152
7.3  模型設(shè)計 154
7.3.1  設(shè)計的外力 154
7.3.2  總體設(shè)計 155
7.3.3  選擇組件模型 156
7.3.4  歸納偏差 157
7.3.5  多個不相交模型 161
7.3.6  模型組合 161
7.4  使用機器學習技術(shù)制作模型 162
7.4.1  建模過程 163
7.4.2  實驗跟蹤和模型存儲庫 164
7.4.3  AutoML和模型搜索 166
7.5  警惕“臭”模型 168
7.6  小結(jié) 169
第8章  測試和選擇模型 171
8.1  測試和選擇模型的原因 171
8.2  測試流程 172
8.2.1  離線測試 173
8.2.2  離線測試環(huán)境 175
8.2.3  在線測試 177
8.2.4  現(xiàn)場試驗 177
8.2.5  A/B測試 178
8.2.6  多臂老虎機 179
8.2.7  非功能測試 181
8.3  選擇模型 182
8.3.1  定量選擇 184
8.3.2  通過可比測試進行選擇 184
8.3.3  通過多次測試進行選擇 185
8.3.4  定性選擇指標 187
8.4  建模后檢查表 188
8.5  The Bike Shop：Sprint 2 189
8.6  小結(jié) 196
第9章  Sprint 3：系統(tǒng)構(gòu)建和生產(chǎn) 199
9.1  Sprint 3待辦事項 199
9.2  機器學習實現(xiàn)的類型 201
9.2.1  輔助系統(tǒng) 202
9.2.2  委托系統(tǒng) 205
9.2.3  自治系統(tǒng) 208
9.3  非功能審查 210
9.4  實現(xiàn)生產(chǎn)系統(tǒng) 211
9.4.1  生產(chǎn)數(shù)據(jù)基礎(chǔ)設(shè)施 211
9.4.2  模型服務器和推理服務 214
9.4.3  用戶接口設(shè)計 216
9.5  記錄、監(jiān)控、管理、反饋和文檔 219
9.5.1  模型治理 221
9.5.2  文檔 222
9.6  發(fā)布前測試 223
9.7  道德審查 224
9.8  投入生產(chǎn) 225
9.9  曲終人不散 226
9.10  The Bike Shop Sprint 3 227
9.11  小結(jié) 230
第10章  發(fā)布項目 231
10.1  Sprint Ω待辦事項 231
10.2  投入生產(chǎn)并不意味著萬事大吉 232
10.2.1  直面問題和厘清責任 232
10.2.2  機器學習的技術(shù)債務 234
10.2.3  模型漂移 235
10.2.4  再訓練 236
10.2.5  緊急情況 237
10.2.6  問題調(diào)查 238
10.3  團隊項目后評審 238
10.4  改進實踐 240
10.5  新技術(shù)的采用 241
10.6  案例研究 242
10.7  再見，祝你好運 242
10.8  小結(jié) 243