| Título : |
Agile Machine Learning : Effective Machine Learning Inspired by the Agile Manifesto |
| Tipo de documento: |
documento electrónico |
| Autores: |
Carter, Eric, Autor ; Hurst, Matthew, Autor |
| Mención de edición: |
1 ed. |
| Editorial: |
Berkeley, CA : Apress |
| Fecha de publicación: |
2019 |
| Número de páginas: |
XVII, 248 p. 35 ilustraciones |
| ISBN/ISSN/DL: |
978-1-4842-5107-2 |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Palabras clave: |
programas de microsoft NET Framework microsoft Ingeniería de software Grandes datos microsoft |
| Índice Dewey: |
5.268 |
| Resumen: |
Cree equipos resilientes de aprendizaje automático aplicado que ofrezcan mejores productos de datos mediante la adaptación de los principios rectores del Manifiesto Ágil. Reunir a personas con talento para crear un gran equipo de aprendizaje automático aplicado no es tarea fácil. Dado que los desarrolladores y los científicos de datos aportan experiencia en sus respectivos campos, la comunicación por sí sola puede ser un desafío. Agile Machine Learning le enseña cómo ofrecer productos de datos superiores a través de procesos ágiles y a aprender, con el ejemplo, cómo organizar y gestionar un equipo de ritmo rápido que tiene el desafío de resolver problemas de datos novedosos a escala, en un entorno de producción. El enfoque de los autores modela los innovadores principios de ingeniería descritos en el Agile Manifesto. El libro proporciona más contexto y contrasta los principios originales con los requisitos de los sistemas que entregan un producto de datos. Lo que aprenderá: Dirija de manera efectiva un equipo de ingeniería de datos que esté enfocado en métricas, en experimentos y en datos. Tome decisiones acertadas de implementación y exploración de modelos basadas en los datos y las métricas. Conozca la importancia de revolcarse en los datos: analizar datos en tiempo real. tiempo en un entorno grupal Reconocer el valor de poder medir siempre objetivamente su estado actual Comprender la alfabetización en datos, un atributo clave de un ingeniero de datos confiable, desde las definiciones hasta las expectativas Este libro es para cualquier persona que administre un equipo de aprendizaje automático o sea responsable para crear componentes de inferencia listos para producción. Cualquier persona responsable del flujo de trabajo del proyecto de datos de datos de muestreo; etiquetar, capacitar, probar, mejorar y mantener modelos; y las métricas de sistemas y datos también encontrarán útil este libro. Los lectores deben estar familiarizados con la ingeniería de software y comprender los conceptos básicos del aprendizaje automático y el trabajo con datos. |
| Nota de contenido: |
Chapter 1: Early Delivery -- Chapter 2: Changing Requirements -- Chapter 3: Continuous Delivery -- Chapter 4: Aligning with the Business -- Chapter 5: Motivated Individuals -- Chapter 6: Effective Communication -- Chapter 7: Monitoring -- Chapter 8: Sustainable Development -- Chapter 9: Technical Excellence -- Chapter 10 Simplicity -- Chapter 11: Self-organizing Teams -- Chapter 12: Tuning and Adjusting -- Chapter 13: Conclusion. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
Agile Machine Learning : Effective Machine Learning Inspired by the Agile Manifesto [documento electrónico] / Carter, Eric, Autor ; Hurst, Matthew, Autor . - 1 ed. . - Berkeley, CA : Apress, 2019 . - XVII, 248 p. 35 ilustraciones. ISBN : 978-1-4842-5107-2 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
programas de microsoft NET Framework microsoft Ingeniería de software Grandes datos microsoft |
| Índice Dewey: |
5.268 |
| Resumen: |
Cree equipos resilientes de aprendizaje automático aplicado que ofrezcan mejores productos de datos mediante la adaptación de los principios rectores del Manifiesto Ágil. Reunir a personas con talento para crear un gran equipo de aprendizaje automático aplicado no es tarea fácil. Dado que los desarrolladores y los científicos de datos aportan experiencia en sus respectivos campos, la comunicación por sí sola puede ser un desafío. Agile Machine Learning le enseña cómo ofrecer productos de datos superiores a través de procesos ágiles y a aprender, con el ejemplo, cómo organizar y gestionar un equipo de ritmo rápido que tiene el desafío de resolver problemas de datos novedosos a escala, en un entorno de producción. El enfoque de los autores modela los innovadores principios de ingeniería descritos en el Agile Manifesto. El libro proporciona más contexto y contrasta los principios originales con los requisitos de los sistemas que entregan un producto de datos. Lo que aprenderá: Dirija de manera efectiva un equipo de ingeniería de datos que esté enfocado en métricas, en experimentos y en datos. Tome decisiones acertadas de implementación y exploración de modelos basadas en los datos y las métricas. Conozca la importancia de revolcarse en los datos: analizar datos en tiempo real. tiempo en un entorno grupal Reconocer el valor de poder medir siempre objetivamente su estado actual Comprender la alfabetización en datos, un atributo clave de un ingeniero de datos confiable, desde las definiciones hasta las expectativas Este libro es para cualquier persona que administre un equipo de aprendizaje automático o sea responsable para crear componentes de inferencia listos para producción. Cualquier persona responsable del flujo de trabajo del proyecto de datos de datos de muestreo; etiquetar, capacitar, probar, mejorar y mantener modelos; y las métricas de sistemas y datos también encontrarán útil este libro. Los lectores deben estar familiarizados con la ingeniería de software y comprender los conceptos básicos del aprendizaje automático y el trabajo con datos. |
| Nota de contenido: |
Chapter 1: Early Delivery -- Chapter 2: Changing Requirements -- Chapter 3: Continuous Delivery -- Chapter 4: Aligning with the Business -- Chapter 5: Motivated Individuals -- Chapter 6: Effective Communication -- Chapter 7: Monitoring -- Chapter 8: Sustainable Development -- Chapter 9: Technical Excellence -- Chapter 10 Simplicity -- Chapter 11: Self-organizing Teams -- Chapter 12: Tuning and Adjusting -- Chapter 13: Conclusion. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
|  |
Agile Machine Learning
