4. Writing Machine Learning Code More Productively

Dieses Kapitel konzentriert sich darauf, Datenwissenschaftlern zu helfen, qualitativ hochwertigen Code für maschinelles Lernen auf Produktionsebene zu schreiben. Es betont die Bedeutung von Modularisierung und Automatisierung bei der Verbesserung der Codequalität und -effizienz. Das Kapitel bietet praktische Beispiele mit der scikit-learn-Bibliothek, die zeigt, wie man Code in Modulen organisiert und Aufgaben wie die Modellauswertung und die Visualisierung von Entscheidungsgrenzen automatisiert. Durch die Einführung dieser Methoden können Datenwissenschaftler die Robustheit und Wartbarkeit ihrer maschinellen Lernprojekte verbessern. In diesem Kapitel werden auch nützliche Werkzeuge und Techniken aus Scikit-Learning vorgestellt, wie Hyperparametersuchprogramme und parallele Auftragsausführung, um die Produktivität weiter zu steigern. Insgesamt stattet dieses Kapitel Datenwissenschaftler mit den Fähigkeiten aus, die erforderlich sind, um sauberen, effizienten und wartbaren Code für maschinelles Lernen zu schreiben.