Машинное обучение с малым объемом кодирования (2025) [PDF]

Г. Стриплинг, М. Абель | Машинное обучение с малым объемом кодирования (2025) [PDF]

picАвтор: Г. Стриплинг, М. Абель

Перевод: авторизованный

Издательство: АЛИСТ

ISBN: 978-601-08-4725-5

Жанр: Машинное обучение. Учебное пособие

Формат: PDF

Качество: Изначально электронное (ebook)

Иллюстрации: Черно-белые

Описание:

В книге подробно представлены три проблемно-ориентированных вида машинного обучения (Machine leaming, ML): автоматизированное обучение AutoML без кодирования, обучение BigQuery ML с малым объемом кодирования и обучение с применением пользовательского кода на основе библиотек scikit-leam и Keras. При этом от читателя не требуется глубоких предварительных знаний в ML или программировании, но базовые навыки в этих областях будут полезны. Специализированные библиотеки, фреймворки ML, репозиторий GitHub и другие инструменты описаны по мере их необходимости. В каждом конкретном случае ключевые концепции ML раскрыты с использованием реальных наборов данных для решения реальных задач. Рассмотрено применение AutoML для прогнозирования продаж, использование BigQuery ML для обучения линейных регрессионных моделей, обучение пользовательских МL-моделей на Python для прогнозирования оттока клиентов и ряд других популярных бизнес-кейсов.

Дополнительная информация:

Для кого предназначена книга:

Цель этой книги — научить читателей формулировать задачи ML для структурированных (табличных) данных, подготавливать свои данные для рабочих процессов ML.

Вы также научитесь создавать и применять модели ML с помощью различных решений без кода, с малым объемом кода и с привлечением базовых пользовательских кодов.

Вы пройдете пошаговые процедуры, позволяющие понять эти решения в контексте конкретной бизнес-задачи.

Основная аудитория этой книги — специалисты по бизнес-анализу, аналитике данных, студенты и начинающие гражданские специалисты по обработке данных.

Книга будет интересна людям, которые стремятся очень быстро научиться применять ML в своей работе, используя такие инструменты, как автоматизированное машинное обучение (AutoML), BigQuery ML (с применением SQL) и пользовательское машинное обучение на Python. Предполагается, что читатель имеет некоторое базовое знакомство с анализом данных.

Что есть и чего нет в этой книге:

Эта книга была написана, чтобы помочь вам сделать первые шаги в мире ML, а не для того, чтобы превратить вас в эксперта. Мы не рассматриваем теорию ML в деталях и не охватываем все области статистики и математики, требующиеся высококвалифицированному специалисту по обработке данных. Мы излагаем теорию, необходимую для проектов, описываемых в этой книге, а обсуждение более сложных задач выходит за рамки данной книги. Однако мы даем много ссылок на ресурсы, где вы можете погрузиться в материал, вызывающий у вас дополнительный интерес.