既然發現了學習和教學中的缺陷，就應該去改進。我在網絡上查找了很多書，發現由Ben Wilson編寫的Machine Learning Engineering in Action是一本很不錯的介紹機器學習工程學的書。他通過親身經歷，介紹了如何在機器學習和數據科學的工作中使用工程學技術，讓你成為一名“受歡迎”的數據科學家和機器學習工程師。本書的內容與我之前使用過(作為教材)或翻譯過的關於機器學習的書都不-樣,沒有大篇幅的代碼解釋和具體的技術介紹，而是以一個項目為主線，從頭介紹如何完成一個成功的機器學等

●第Ⅰ部分機器學習工程簡介
第1章什麼是機器學習工程3
1.1為什麼使用機器學習工程4
1.2機器學習工程的核心原則7
1.2.1規劃7
1.2.2範圍界定和研究9
1.2.3實驗11
1.2.4研發12
1.2.5部署15
1.2.6評估18
1.3機器學習工程的目標20
1.4本章小結21
第2章數據科學工程23
2.1用提高項目成功率的過程增強復雜的專業24
2.2簡單的基礎25
2.3敏捷軟件工程的工作原則27
2.3.1溝通與合作28
2.3.2擁抱並期待改變30
2.4機器學習工程的基礎31
2.5本章小結32
第3章在建模之前：規劃和確定項目範圍33
3.1規劃：你要我預測什麼36
3.1.1項目的基本規劃40
3.1.2首次會議45
3.1.3規劃演示——進行大量演示47
3.1.4通過解決方案構建進行實驗：磨刀不誤砍柴工49
3.2實驗範圍：設定預期和界限51
3.2.1什麼是實驗範圍52
3.2.2機器學習團隊的實驗範圍：研究52
3.2.3機器學習團隊的實驗範圍：實驗54
3.3本章小結63
第4章建模之前：項目的溝通與邏輯65
4.1溝通：定義問題67
4.1.1理解問題68
4.1.2設置嚴格的討論界限78
4.2不要浪費時間：與跨職能團隊交流84
4.2.1實驗變更會議：我們知道自己在做什麼嗎85
4.2.2SME評審/原型評審：我們能解決這個問題嗎86
4.2.3開發進度評審：這會奏效嗎87
4.2.4MVP評審：是否生成了我們要求的內容88
4.2.5預投產評審：我們真希望沒有搞砸89
4.3為實驗設定90
4.3.1設置時限90
4.3.2可以投入生產嗎？你想維護它嗎92
4.3.3機器學習項目的TDD、RDD、PDD和CDD93
4.4為混亂的業務規則做計劃96
4.4.1通過計劃“擁抱混亂”96
4.4.2“人機回環”設計98
4.4.3你的備選方案是什麼99
4.5對結果進行討論99
4.6本章小結101
第5章進行實驗：規劃和研究機器學習項目103
5.1設計實驗104
5.1.1進行基礎的研究和規劃105
5.1.2扔掉博客——仔細閱讀API文檔108
5.1.3抽簽決定內部黑客馬拉松112
5.1.4公平競爭環境113
5.2執行實驗準備工作114
5.2.1執行數據分析115
5.2.2從腳本轉向可重用代碼121
5.2.3為實驗構建可重用代碼的最後說明128
5.3本章小結131
第6章進行實驗：測試與評估133
6.1測試想法135
6.1.1在代碼中設置準則136
6.1.2運行快速預測測試143
6.2減少可能性158
6.2.1正確評估原型159
6.2.2決定前進的方向161
6.2.3接下來做什麼163
6.3本章小結164
第7章實踐實驗：從原型到MVP165
7.1調整：自動化那些惱人的過程166
7.1.1調優選項168
7.1.2Hyperopt入門172
7.1.3使用Hyperopt調優復雜的預測問題175
7.2為平臺和團隊選擇合適的技術179
7.2.1使用Spark的理由181
7.2.2用SparkTrials處理來自Driver的調優183
7.2.3用pandas_udf處理來自Worker的調優186
7.2.4為團隊使用新範式：平臺和技術190
7.3本章小結191
第8章動手實戰：使用MLflow和運行時優化實現MVP193
8.1日志記錄：代碼、指標和結果194
8.1.1MLflow跟蹤194
8.1.2不要通過打印記錄日志196
8.1.3版本控制、分支策略和與他人合作198
8.2可伸縮性和並發性200
8.2.1什麼是並發200
8.2.2哪些內容可以(或不可以)異步運行203
8.3本章小結203
第Ⅱ部分為投產做準備：創建可維護的機器學習項目
第9章機器學習中的模塊化：編寫可測試且易讀的代碼207
9.1單片腳本及其缺點209
9.1.1“巨石”是如何形成的210
9.1.2文本牆210
9.1.3單片腳本的注意事項213
9.2調試文本牆215
9.3對機器學習代碼進行模塊化設計221
9.4機器學習的測試驅動開發222
9.5本章小結226
第10章編碼標準和創建可維護的機器學習代碼227
10.1機器學習的代碼異味228
10.2命名、結構和代碼體繫結構230
10.2.1命名約定和結構231
10.2.2別耍小聰明232
10.2.3代碼體繫結構233
1組解包和可維護的替代方案235
10.組解包示例235
10.組解包的可靠替代方案237
10.4對問題視而不見：“飲食異常”和其他不良做法239
10.4.1精準使用try/catch239
10.4.2精心設計的異常處理241
10.4.3正確處理錯誤242
10.5使用全局可變對像244
10.5.1易變性會如何傷害你245
10.5.2封裝以防止可變性帶來的副作用246
10.6過多的嵌套的邏輯248
10.7本章小結254
第11章模型測量及其重要性255
11.1測量模型歸因256
11.1.1測量預測性能258
11.1.2明確相關性與因果關繫264
11.2利用A/B檢驗進行歸因計算268
11.2.1A/B檢驗基礎268
11.2.2連續評估指標271
11.2.3使用替代顯示和檢驗276
11.2.4評估分類指標280
11.3本章小結283
第12章通過觀察漂移以保持你的收益285
12.1檢測漂移285
12.2解決漂移問題296
12.2.1我們可以做些什麼296
12.2.2應對漂移298
12.3本章小結299
第13章機器學習中的開發“傲慢”301
13.1優雅的復雜性與過度設計302
13.1.1輕量級腳本風格(命令式)304
13.1.2“精心設計”的混亂307
13.2無意混淆：如果不是你寫的，你能否讀懂311
13.2.1關於混淆311
13.2.2總結不良編碼習慣322
13.3不成熟的泛化、不成熟的優化以及其他顯示你有多聰明的糟糕方式323
13.3.1泛化和框架：除非不得已，否則不要使用它們323
13.3.2過早優化325
13.4你真的想作為“煤礦中的金絲雀”嗎？Alpha測試和開源“煤礦”中的危險332
13.5技術驅動的開發與解決方案驅動的開發335
13.6本章小結337
第Ⅲ部分開發生產機器學習代碼
第14章編寫生產代碼341
14.1你見到了你的數據嗎342
14.1.1確保你有數據344
14.1.2檢查數據來源345
14.1.3找到真相的來源並與之保持一致348
14.1.4不要將數據清理嵌入生產代碼中349
14.2監控你的特征351
14.3監控模型生命周期中的所有其他內容355
14.4保持一切盡可能簡單359
14.4.1問題定義的簡潔性361
14.4.2簡單的實現361
14.5機器學習項目的線框圖363
14.6避免機器學習中的貨物崇拜行為368
14.7本章小結373
第15章質量和驗收測試375
15.1數據一致性376
15.1.1訓練和推理偏差376
15.1.2特征存儲簡介378
15.1.3過程勝於技術379
15.1.4數據孤島的危險380
15.2回退和冷啟動382
15.2.1嚴重依賴現有技術383
15.2.2冷啟動問題385
15.3最終用戶與內部使用測試387
15.3.1有偏見的測試390
15.3.2自己公司的員工測試自研的產品(dogfooding)391
15.3.3SME評估392
15.4模型的可解釋性393
15.4.1Shapley加法解釋394
15.4.2使用shap包396
15.5本章小結401
第16章生產環境基礎設施403
16.1工件管理404
16.1.1MLflow的模型注冊405
16.1.2使用模型注冊進行連接407
16.2特征庫412
16.2.1特征庫的用途413
16.2.2使用特征庫415
16.2.3評估特征庫418
16.3預測服務體繫結構419
16.3.1確定服務需求421
16.3.2批量外部交付427
16.3.3微批量流式傳輸429
16.3.4實時服務器端430
16.3.5集成模型(邊緣部署)433
16.4本章小結434
附錄ABigO以及如何考慮運行時性能435
附錄B設置開發環境461

《機器學習項目交付實戰》將介紹如何從模型和數據中獲取很好性能，幫助你構建穩定的數據管道。通過高效的可復用技術集合，來確保應用程序工作流程的順利執行，以及提高模型的可維護性。基於數十年的良好軟件工程實踐，機器學習工程可確保你的機器學習繫統具有彈性、適應性和可執行性。《機器學習項目交付實戰》將介紹設計、構建和交付成功的機器學習項目的核心原則和上佳實踐。你將了解很多軟件工程技術，例如對原型進行實驗和實施模塊化設計，從而產生彈性架構和一致的跨團隊溝通。基於作者豐富的經驗，本書中的每一種方法都被成功地用於解決現實世界中的問題。

(美)本·威爾遜 著 李曉峰,逄金輝,殷海英 譯