本书介绍了：
• 识别和减轻在训练、评估以及部署机器学习模型时的常见挑战
• 为不同类型的机器学习模型表示数据，包括嵌入、特征交叉等
• 针对具体问题选择合适的模型类型
• 使用检查点、分发策略和超参数优化，建立一个鲁棒的训练循环
• 部署可扩展的机器学习系统，通过它你可以再训练和更新以反映新的数据
• 为用户解释模型的预测结果，确保模型公平地对待用户
• 提高模型的准确性、可复现性和弹性
Valliappa（Lak）Lakshmanan是谷歌云数据分析和人工智能解决方案的全球负责人。 Sara Robinson是谷歌云团队的开发者和倡导者，专注于机器学习。Michael Munn是谷歌的机器学习解决方案工程师，他帮助客户设计、实现和部署机器学习模型。
请选择您读者所在的图书馆
