Machine Learning Engineering
Machine Learning Engineering – 10 fundamentale Praktiken
In diesem Vortrag stellt Larysa Visengeriyeva fundamentale Praktiken für Machine Learning Engineering vor, die dabei helfen, das eigene Projekt zum Erfolg zu bringen.
An dieser Stelle möchten wir Dir gerne ein YouTube Video anzeigen. Um es zu sehen, musst Du dem Laden von Fremdinhalten von youtube.com zustimmen.
Links und Ressourcen
- Machine Learning Canvas: A framework to design Machine Learning systems
- DDD Knowledge Crunching Methods
- Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology
- What is the Team Data Science Process?
- There's No AI (Artificial Intelligence) without IA (Information Architecture)
- Machine Learning Testing: Survey, Landscapes, and Horizons
- Data Version Control
- AI Fairness 360 Open Source Toolkit (IBM)
- Responsible AI (Microsoft)
- Responsible AI (Google)
- MLOps
INNOQ-Bibliothek
-
Domain-Driven Design Referenz - Definitionen & Muster
Domain-driven Design spielt beim Entwerfen und Umsetzen von fachlich anspruchsvollen Systemen eine entscheidende Rolle. Für das Verständnis von DDD ist die DDD-Referenz von Eric Evans eine unverzichtbare Quelle – und liegt mit diesem Buch erstmalig in deutscher Übersetzung vor. Sowohl die Originalversion, als auch die Übersetzung stehen unter Creative-Common-Lizenz.
-
Hands-on Domain-driven Design – by example
Domain-driven Design practically explained with a massive case study.
This book aims to explain the concepts of Domain-driven Design in a way that it is easily applicable in practice. Each chapter contains a theoretical part which is explained from the point of view of practical applicability and then exercises with solutions based on a comprehensive, complex case study (real estate loans).
