Strojové učení v reálném světě

Recenze čtenářů

Kniha nabízí praktického průvodce strojovým učením, který překlenuje propast mezi teoretickými koncepty a reálným použitím. Je vhodná pro ty, kteří mají určité znalosti programování, zejména v jazyce Python, a poskytuje různé příklady a úryvky kódu pro praktické učení. Objevují se však výtky týkající se její hloubky v matematických detailech a problémů s prezentací kódu.

⬤ Dobře organizovaná a přehledná
⬤ skvělá pro praktiky
⬤ dobré příklady a praktické kroky
⬤ nevyžaduje rozsáhlé matematické zázemí
⬤ vhodná pro středně pokročilé vývojáře
⬤ praktický přístup s příklady kódu
⬤ řeší reálné problémy v ML.

⬤ Chybí hloubka matematických detailů
⬤ některé úryvky kódu se zdají být málo promyšlené a mohou obsahovat chyby
⬤ prezentace v černobílých obrázcích
⬤ nemusí být vhodná pro pokročilé uživatele nebo ty, kteří hledají teoretickou hloubku
⬤ někteří čtenáři ji považují za povrchní.

(na základě 17 hodnocení čtenářů)

Původní název:

Real-World Machine Learning

Obsah knihy:

Shrnutí

Real-World Machine Learning je praktická příručka, která má za cíl naučit pracující vývojáře umění realizace projektů ML. Nepřekypuje akademickou teorií a složitou matematikou, seznamuje vás s každodenní praxí strojového učení a připravuje vás na úspěšné budování a nasazení výkonných systémů ML.

Zakoupení tištěné knihy zahrnuje bezplatnou elektronickou knihu ve formátech PDF, Kindle a ePub od Manning Publications.

O technologii

Systémy strojového učení vám pomohou najít v datech cenné poznatky a vzory, které byste s tradičními metodami nikdy nerozpoznali. V reálném světě vám techniky ML poskytují způsob, jak identifikovat trendy, předpovídat chování a vytvářet doporučení založená na faktech. Jedná se o horký a stále se rozvíjející obor a po vývojářích ML je poptávka.

O knize

Strojové učení v reálném světě vás naučí koncepty a techniky, které potřebujete k tomu, abyste se stali úspěšnými odborníky na strojové učení, aniž byste se předávkovali abstraktní teorií a složitou matematikou. Na bezprostředně relevantních příkladech v jazyce Python si vybudujete dovednosti v oblasti získávání a modelování dat, klasifikace a regrese. Prozkoumáte také nejdůležitější úlohy, jako je validace modelu, optimalizace, škálovatelnost a streamování v reálném čase. Po dokončení budete připraveni úspěšně vytvářet, nasazovat a udržovat vlastní výkonné ML systémy.

Co je uvnitř

⬤ Předpovídání budoucího chování.

⬤ Vyhodnocování a optimalizace výkonu.

⬤ Analýza sentimentu a vytváření doporučení.

O čtenáři

Nepředpokládají se žádné předchozí zkušenosti se strojovým učením. Čtenáři by měli znát jazyk Python.

O autorech

Henrik Brink, Joseph Richards a Mark Fetherolf jsou zkušení datoví vědci, kteří se denně zabývají strojovým učením.

Obsah

ČÁST 1: PRACOVNÍ POSTUP STROJOVÉHO UČENÍ.

⬤ Co je strojové učení?

⬤ Data z reálného světa.

⬤ Modelování a predikce.

⬤ Vyhodnocení a optimalizace modelu.

⬤ Základní příznakové inženýrství.

ČÁST 2: PRAKTICKÉ POUŽITÍ.

⬤ Příklad: Příklad: data z newyorské taxislužby.

⬤ Pokročilé funkční inženýrství.

⬤ Příklad pokročilé NLP: sentiment filmových recenzí.

⬤ Šíření pracovních postupů strojového učení.

⬤ Příklad: digitální zobrazování reklamy.