資料準備、模型建構與MLOps常見挑戰的解決方案 

本書的設計模式介紹常見的機器學習最佳實踐法和解決方案。作者是三位Google工程師，他們整理了一些經過驗證的方法，協助資料科學家匯整ML程序中常見的問題，用這些設計模式來將數百位專家的經驗整理成直觀、平易近人的建議。 

這本書詳細地解釋30種模式，介紹資料和問題的表示法、作業化、可重複性、再現性、靈活性、可解釋性和公平性，每一種模式都包含問題描述、各種可能的解決方案，以及視情況選擇最佳技術的建議。 

你將學會： 

‧在訓練、評估和部署ML模型時，認出常見的挑戰並處理它們 

‧表示各種ML模型的資料，包括embedding、feature cross(特徵交叉)等 

‧為具體的問題選擇適合的模型 

‧使用檢查點、發布策略和超參數調整來建立穩健的訓練循環 

‧部署可擴展的ML系統，以便用新資料來進行重新訓練和更新 

‧向關係人解釋模型為何做出那些預測，以確保模型公平地對待用戶 

‧提高模型的準確性、再現性和復原力