Strojové učenie vo výrobe: Vývoj a optimalizácia pracovných postupov a aplikácií dátovej vedy

Recenzie čitateľov

Kniha je kritizovaná za to, že je príliš zjednodušená a chýbajú v nej podstatné detaily pre čitateľov, ktorí sa zaujímajú o strojové učenie. Neposkytuje dostatočné informácie, štruktúru a praktické návody na aplikáciu konceptov strojového učenia v reálnych scenároch.

Kniha môže slúžiť ako veľmi základný úvod pre úplných začiatočníkov, ktorí o strojovom učení nič nevedia.

Je príliš skrátená, chýba jej obsah a index a neposkytuje zmysluplný pohľad na praktické aplikácie strojového učenia. Mnohí čitatelia majú pocit, že sa ju neoplatí kupovať a je skôr posilnením životopisu autorov.

(na základe 2 čitateľských recenzií)

Pôvodný názov:

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

Obsah knihy:

Základné praktické zručnosti pre úspech v reálnych projektoch dátovej vedy.

Machine Learning in Production je rýchlokurz dátovej vedy a strojového učenia pre ľudí, ktorí potrebujú riešiť reálne problémy a nemajú rozsiahle formálne vzdelanie. Tento kompletný a dôsledný úvod, napísaný pre "náhodných dátových vedcov" so zvedavosťou, ambíciami a technickými schopnosťami, kladie dôraz na prax, nie na teóriu.

Vychádzajúc z agilných princípov, Andrew a Adam Kelleherovci ukazujú, ako rýchlo priniesť významnú hodnotu, odolávajúc prehnanému používaniu nástrojov a zbytočnej zložitosti. Na základe svojich rozsiahlych skúseností vám pomôžu klásť užitočné otázky a potom realizovať typické projekty od začiatku až do konca.

Autori ukazujú, koľko informácií môžete získať pomocou jednoduchých dotazov, agregácií a vizualizácií, a učia nepostrádateľné metódy analýzy chýb, aby ste sa vyhli nákladným chybám. Obracajú sa na základné techniky strojového učenia, ako sú lineárna regresia, klasifikácia, zhlukovanie a bayesovská inferencia. Vysvetľujú tiež hardvér a softvér dátovej vedy a spôsob architektúry systémov, ktoré maximalizujú výkon napriek obmedzeniam.

Autori sa vždy zameriavajú na to, čo je dôležité: riešenie problémov, ktoré ponúkajú najvyššiu návratnosť investícií, s použitím najjednoduchších a najmenej rizikových prístupov, ktoré fungujú.

⬤ Využívajte agilné princípy, aby bol rozsah projektu malý a vývoj efektívny.

⬤ Začnite s jednoduchými heuristickými postupmi a vylepšujte ich podľa toho, ako dozrieva váš dátový kanál.

⬤ Vyhnite sa zlým záverom zavedením základných techník analýzy chýb.

⬤ Komunikujte svoje výsledky pomocou základných techník vizualizácie údajov.

⬤ Ovládnite základné techniky strojového učenia, počnúc lineárnou regresiou a náhodnými lesmi.

⬤ Vykonávať klasifikáciu a zhlukovanie na vektorových aj grafických údajoch.

⬤ Ovládnuť Bayesove siete a používať ich na pochopenie kauzálnych záverov.

⬤ Preskúmať nadmerné prispôsobenie, kapacitu modelu a ďalšie pokročilé techniky strojového učenia.

⬤ Vykonávať informované architektonické rozhodnutia o ukladaní, prenose údajov, výpočtoch a komunikácii.