本书融合作者构建、运维和扩展大型机器学习系统的经验，通过丰富的示例，详细讲解如何运行高效、可靠的机器学习系统。本书首先概述机器学习相关概念和数据管理原则，涵盖数据管理、机器学习模型、评估质量、特征、公平性、隐私等主题；然后介绍机器学习模型及其生命周期；最后讲述如何将机器学习引入组织，以及引入后组织会发生什么等复杂问题。

序
前言
第1章 引言
1.1 机器学习的生命周期
1.1.1 数据收集与分析
1.1.2 机器学习训练管道
1.1.3 构建与验证应用程序
1.1.4 质量和性能评估
1.1.5 定义与度量服务等级目标
1.1.6 发布
1.1.7 监控和反馈循环
1.2 循环中的教训
第2章 数据管理原则
2.1 数据即责任
2.2 机器学习管道的数据敏感性
2.3 数据的阶段
2.3.1 创建
2.3.2 提取
2.3.3 处理
2.3.4 存储
2.3.5 管理
2.3.6 分析与可视化
2.4 数据可靠性
2.4.1 持久性
2.4.2 一致性
2.4.3 版本控制
2.4.4 性能
2.4.5 可用性
2.5 数据完整性
2.5.1 安全性
2.5.2 隐私
2.5.3 政策与合规
2.6 总结
第3章 模型的基本介绍
3.1 什么是模型
3.2 基本的模型创建工作流
3.3 模型架构、模型定义与训练过的模型
3.4 漏洞在哪里
3.4.1 训练数据
3.4.2 标签
3.4.3 训练方法
3.5 基础设施及管道
3.5.1 平台
3.5.2 特征生成
3.5.3 升级和修复
3.6 对任何模型提出的一系列实用问题
3.7 一个机器学习系统示例
3.7.1 纱线产品点击预测模型
3.7.2 特征
3.7.3 特征标签
3.7.4 模型更新
3.7.5 模型服务
3.7.6 常见故障
3.8 总结
第4章 特征与训练数据
4.1 特征
……
第5章 评估模型的有效性和质量
第6章 机器学习系统中的公平性、隐私和道德
第7章 训练系统
第8章 服务
第9章 模型的监控和可观测性
第10章 持续机器学习
第11章 事故响应
第12章 产品和机器学习如何交互
第13章 将机器学习集成到你的组织中
第14章 实用的机器学习组织实施示例
第15章 案例研究：实践中的MLOps