本书介绍了： ?? 识别和减轻在训练、评估以及部署机器学习模型时的常见挑战 ?? 为不同类型的机器学习模型表示数据，包括嵌入、特征交叉等 ?? 针对具体问题选择合适的模型类型 ?? 使用检查点、分发策略和超参数优化，建立一个鲁棒的训练循环 ?? 部署可扩展的机器学习系统，通过它你可以再训练和更新以反映新的数据 ?? 为用户解释模型的预测结果，确保模型公平地对待用户 ?? 提高模型的准确性、可复现性和弹性