000 04340nam a22002897a 4500
003 OSt
005 20250218130527.0
008 250218t2022 xxu||||| |||| 00| 0 spa d
020 _a9781098107963
040 _aUnicoc
_bspa
_c00001
_d00001
082 _a006.31
100 _911592
_aHuyen, Chip
245 _aDiseño de sistemas de aprendizaje automático
_b: Un proceso iterativo para aplicaciones listas para la producción
_c/ Chip Huyen
250 _a1 Ed.
260 _aEstados Unidos ;
_bO'Reilly ,
_c2022
300 _axvi, 367 Paginas.
_bIlustraciones, Gráficos y mapas
505 _t1. Visión general de los sistemas de aprendizaje automático. --
_tEntender los sistemas de aprendizaje automático. --
_t2. Introducción al diseño de sistemas de aprendizaje automático. --
_tObjetivos empresariales y de LD. --
_tRequisitos de los sistemas de ML. --
_tLa mente frente a los datos. --
_t3. Fundamentos de ingeniería de datos. --
_tModelos de datos. --
_tMotores de almacenamiento y tratamiento de datos. --
_tModos de flujo de datos. --
_tProcesamiento por lotes frente a procesamiento por flujos. --
_t4. Datos de entrenamiento. --
_tMuestreo. --
_tEtiquetado. --
_tDesequilibrio de clases. --
_tAumento de datos. --
_t5. Ingeniería de funciones. --
_tCaracterísticas aprendidas frente a características diseñadas. --
_tOperaciones comunes de ingeniería de funciones. --
_tFuga de datos. --
_tIngeniería Buenas características. --
_t6. Desarrollo de modelos y evaluación offline. --
_tDesarrollo de modelos y formación. --
_tModelo de evaluación offline. --
_t7. Servicio de despliegue y predicción de modelos. --
_tMitos sobre la implantación del aprendizaje automático. --
_tPredicción por lotes frente a predicción en línea. --
_tModelo Compresión. --
_tML en la nube y en la periferia. --
_t8. Turnos de distribución de datos y supervisión. --
_tCausas de los fallos del sistema de ML. --
_tCambios en la distribución de datos. --
_tControl y observabilidad. --
_t9. Aprendizaje continuo y pruebas en producción. --
_tAprendizaje continuo. --
_tPrueba en producción. --
_t10. Infraestructura y herramientas para MLOps. --
_tAlmacenamiento e informática. --
_tEntorno de desarrollo. --
_tGestión de recursos. --
_tPlataforma ML. --
_t11. El lado humano del aprendizaje automático. --
_tExperiencia del usuario. --
_tEstructura del equipo. --
_tIA responsable.
520 _aLos sistemas de aprendizaje automático son complejos y únicos. Complejos porque constan de muchos componentes diferentes e implican a muchas partes interesadas distintas. Únicos porque dependen de los datos, que varían enormemente de un caso de uso a otro. En este libro, aprenderá un enfoque holístico para diseñar sistemas de ML que sean fiables, escalables, mantenibles y adaptables a entornos y requisitos empresariales cambiantes. El autor, Chip Huyen, cofundador de Claypot AI, considera cada decisión de diseño -como la forma de procesar y crear datos de entrenamiento, qué características utilizar, con qué frecuencia volver a entrenar los modelos y qué supervisar- en el contexto de cómo puede ayudar a su sistema en su conjunto alcance sus objetivos. El marco iterativo de este libro utiliza estudios de casos reales respaldados por amplias referencias. Este libro le ayudará a afrontar situaciones como: 1. Ingeniería de datos y elección de las métricas adecuadas para resolver un problema empresarial; Automatizar el proceso de desarrollo, evaluación, despliegue y actualización continuos de los modelos; Desarrollar un sistema de vigilancia para detectar y abordar los problemas que sus modelos pueden encontrar en la producción; Arquitectura de una plataforma de ML que sirva para distintos casos de uso; Desarrollo de sistemas responsables de LD
526 _5Unicoc
_aIngeniería de Sistemas
546 _aEspañol
650 0 _911595
_aAprendizaje Automático (Machine Learning)
650 0 _910540
_aInteligencia Artificial
650 0 _96569
_aLenguajes de programación (Computadores)
658 0 _98220
_aPrograma de Ingeniería de Sistemas
856 _uhttps://unicoceduco-my.sharepoint.com/:b:/g/personal/direccionbiblioteca_unicoc_edu_co/EfXJRpVBxHRPtxueXWO7rNIBXa_wNiHZWMrk4s97w469eg?e=cfv27A
_yAcceso online exclusivo para comunidad Unicoc.
942 _2ddc
_cEBOOK
999 _c10310
_d10310