Strojové učení ve výrobě: Vývoj a optimalizace pracovních postupů a aplikací datové vědy

Recenze čtenářů

Kniha je kritizována za přílišné zjednodušení a nedostatek podstatných detailů pro čtenáře, kteří se zajímají o strojové učení. Neposkytuje dostatečné informace, strukturu a praktický návod pro aplikaci konceptů strojového učení v reálných scénářích.

Kniha může sloužit jako velmi základní úvod pro úplné začátečníky, kteří o strojovém učení nic nevědí.

Je příliš zkrácená, chybí jí obsah a rejstřík a neposkytuje smysluplné poznatky o praktických aplikacích strojového učení. Mnozí čtenáři mají pocit, že nestojí za koupi a je spíše posilou životopisu autorů.

(na základě 2 hodnocení čtenářů)

Původní název:

Machine Learning in Production: Developing and Optimizing Data Science Workflows and Applications

Obsah knihy:

Základní praktické dovednosti pro úspěch v reálných projektech datové vědy.

Machine Learning in Production je rychlokurz datové vědy a strojového učení pro lidi, kteří potřebují řešit reálné problémy a nemají rozsáhlé formální vzdělání. Tento ucelený a důkladný úvod, napsaný pro "náhodné datové vědce" se zvědavostí, ambicemi a technickými schopnostmi, klade důraz na praxi, nikoli na teorii.

V návaznosti na agilní principy Andrew a Adam Kelleherovi ukazují, jak rychle přinést významnou hodnotu a přitom se bránit přehnaným nástrojům a zbytečné složitosti. Na základě svých bohatých zkušeností vám pomohou klást užitečné otázky a následně realizovat typické projekty od začátku do konce.

Autoři ukazují, kolik informací můžete získat pomocí jednoduchých dotazů, agregací a vizualizací, a učí nepostradatelné metody analýzy chyb, abyste se vyhnuli nákladným chybám. Obracejí se k základním technikám strojového učení, jako je lineární regrese, klasifikace, shlukování a bayesovská inference. Vysvětlují také hardware a software datové vědy a způsoby architektury systémů, které navzdory omezením maximalizují výkon.

Autoři se vždy soustředí na to, co je důležité: řešení problémů, které nabízejí nejvyšší návratnost investic, pomocí nejjednodušších a nejméně rizikových přístupů, které fungují.

⬤ Využívejte agilní principy, aby byl rozsah projektu malý a vývoj efektivní.

⬤ Začněte s jednoduchými heuristickými postupy a vylepšujte je podle toho, jak bude datový tok dospívat.

⬤ Vyhněte se špatným závěrům zavedením základních technik analýzy chyb.

⬤ Sdělujte své výsledky pomocí základních technik vizualizace dat.

⬤ Zvládněte základní techniky strojového učení, počínaje lineární regresí a náhodnými lesy.

⬤ Provádět klasifikaci a shlukování na vektorových i grafických datech.

⬤ Zvládnout bayesovské sítě a používat je k pochopení kauzálních závěrů.

⬤ Prozkoumat nadměrné přizpůsobení, kapacitu modelu a další pokročilé techniky strojového učení.

⬤ Přijímat informovaná architektonická rozhodnutí týkající se ukládání, přenosu dat, výpočtů a komunikace.