Описание
Сегодня машинное обучение – основной практический аппарат для применения искусственного интеллекта. Книга, основанная на стэнфордском учебном курсе, не ограничивается разбором конкретных библиотек, а описывает высокоуровневый подход к разработке систем машинного обучения, который упрощает их поддержку и развитие, позволяет избежать переобучения, искажения результатов. Рассказано, как сделать новую систему машинного обучения или нейронную сеть, надёжной, репрезентативной и расширяемой, а также качественно доработать уже существующие системы. Также показано, как подобрать библиотеки и алгоритмы с учётом имеющегося множества данных и действующих бизнес-требований, конструировать признаки и отслеживать метрики.
Книга адресована программистам и специалистам по data science
Ключевые особенности
- Инжиниринг данных и выбор нужных метрик, помогающих правильно решить задачу
- Автоматизация процесса, позволяющая непрерывно разрабатывать, оценивать, развёртывать и обновлять модели
- Разработка мониторинговой системы, позволяющей быстро обнаруживать и устранять проблемы, которые могут возникать в реальном использовании
- Выстраивание платформы машинного обучения, которая была бы применима сразу во многих практических ситуациях
- Ответственный подход к разработке систем машинного обучения
Чем эта книга не является
Эта книга не является введением в ML. Существует множество книг, курсов и ресурсов, посвященных теориям машинного обучения, и поэтому в этой книге эти концепции уходят в сторону, чтобы сосредоточиться на практических аспектах машинного обучения. Чтобы быть конкретным, книга предполагает, что читатели имеют базовое понимание следующих тем:
- Модели машинного обучения , такие как кластеризация, логистическая регрессия, деревья решений, совместная фильтрация и различные архитектуры нейронных сетей, включая упреждающую, рекуррентную, сверточную и трансформирующую.
- Методы машинного обучения , такие как контролируемое и неконтролируемое, градиентный спуск, функция цели/потери, регуляризация, обобщение и настройка гиперпараметров.
- Такие метрики , как точность, F1, точность, полнота, ROC, среднеквадратическая ошибка и логарифмическая вероятность.
- Статистические концепции, такие как дисперсия, вероятность и нормальное/длинное распределение.
- Общие задачи машинного обучения, такие как языковое моделирование, обнаружение аномалий, классификация объектов и машинный перевод.
Книга основана на стэнфордском учебном курсе
Отзывы
Это без преувеличения лучшая книга о том, как выстраивать, развёртывать и масштабировать модели машинного обучения в компании для достижения максимального результата.
Джош Уиллс, разработчик в компании WeaveGrid и бывший директор по инженерии данных в компании Slack
Автору удалось изящно разобрать по полочкам сложные вещи и объяснить, как из разрозненных компонентов складывается эффективная система машинного обучения. После прочтения этой книги приобретаешь как раз такую уверенность, которая возникает при полном понимании фактов. Книга получилась последовательной, логичной и ясной, с яркими примерами и щепоткой юмора. Читать её – одно удовольствие, рекомендую как новичкам, так и бывалым специалистам!
Дениза Шекерджян, автор книги «Uncommon Genius» и других
Сегодня машинное (ML) и глубокое (DL) обучение неотделимы от понятий искусственного интеллекта и анализа данных. Лёгкие подходы к машинному обучению исчерпаны. Требуется иметь дело с синтетическими данными, заниматься конструированием признаков (feature engineering), бороться с переобучением, выбросами, состязательными атаками, а также учитывать человеческий фактор в машинном обучении.
Автор подробно описывает, как готовить тренировочные наборы данных, конструировать признаки, доводить модели до совершенства, не переобучая их, как подбирать метрики и что именно отслеживать.
В книге представлен целостный подход к проектированию систем машинного обучения. Вы узнаете, как сделать новую ML-систему или нейронную сеть удобной в поддержке, надёжной, репрезентативной и расширяемой. Показано, как грамотно подобрать библиотеки и алгоритмы с учётом имеющегося множества данных и действующих бизнес-требований.

Чип Хьюен – основательница компании Claypot AI. Занималась разработкой систем машинного обучения в компаниях NVIDIA, Snorkel AI, Netflix, Primer, преподаёт в Стэнфордском университете курс CS 329S по проектированию систем машинного обучения.
Отзывы
Отзывов пока нет.