Введення в машинне навчання за допомогою Python. Посібник для фахівців... Андреас Мюллер. Сара Гвідо.

Машинне навчання стало невід'ємною частиною різних комерційних та дослідницьких проектів, починаючи від постановки медичного діагнозу з подальшим лікуванням і закінчуючи пошуком друзів у соціальних мережах. Багато хто вважає, що машинне навчання можуть використовувати тільки великі компанії, які мають потужні команди аналітиків.

У книзі «Введення в машинне навчання за допомогою Python» описується як можна самостійно і з дивовижною легкістю побудувати моделі машинного навчання (Machine Learning, ML). Прочитавши цю книгу, ви зможете побудувати власну систему машинного навчання, яка дозволить з'ясувати настрої користувачів Твіттера або отримати прогнози щодо глобального потепління.

Машинне навчання полягає у добуванні знань з даних. Це наукова сфера, що перебуває на перетині статистики, штучного інтелекту та комп'ютерних наук і також відома як прогнозна аналітика або статистичне навчання. В останні роки застосування методів машинного навчання у повсякденному житті стало звичайним явищем

Книга «Введення в машинне навчання за допомогою Python» є вступною і не вимагає попередніх знань у галузі машинного навчання або штучного інтелекту

Область застосування машинного навчання безмежна і, враховуючи все різноманіття даних, що є на сьогоднішній день, обмежується лише вашою уявою

Про авторів

Андреас Мюллер отримав науковий ступінь доктора наук з машинного навчання в Боннському університеті.

Протягом року він працював на посаді спеціаліста з машинного навчання в компанії Amazon, займаючись вирішенням прикладних завдань у галузі комп'ютерного зору. На даний момент Андреас працює в Центрі вивчення даних Нью-Йоркського університету. Протягом останніх чотирьох років він став куратором і одним із ключових розробників бібліотеки scikit-learn – популярного інструменту машинного навчання, що широко використовується в промисловості та науці. Крім того, Андреас є автором та розробником ще кількох популярних пакетів машинного навчання. Свою місію він бачить у тому, щоб створювати інструменти з відкритим програмним кодом, які дозволяють усунути перешкоди, що заважають активнішому використанню машинного навчання в прикладних завданнях, а також сприяють просуванню відтворюваної науки (reproducible science) та спрощують застосування високоточних алгоритмів машинного навчання.

Сара Гвідо - фахівець з аналізу даних, має великий досвід роботи в стартапах. Вона має ступінь магістра з інформатики, яку отримала у університеті Мічігану. В даний час проживає в Нью-Йорку. Сфера її інтересів — мова Python, машинне навчання, великі обсяги даних та світ новітніх технологій. Нещодавно Сара стала провідним спеціалістом з аналізу даних у компанії Bitly. Крім цього, вона є постійним спікером на конференціях з машинного навчання.

Зміст
Передмова 15

Глава 1. Вступ 21

Глава 2. Методи машинного навчання з учителем 53

Розділ 3. Методи машинного навчання без учителя

та попередня обробка даних 177

Розділ 4. Типи даних та конструювання ознак 269

Розділ 5. Оцінка та покращення якості моделі 319

Розділ 6. Об'єднання алгоритмів у ланцюжки та конвеєри 385

Глава 7. Робота з текстовими даними 407

Глава 8. Підбиття підсумків 451

Предметний покажчик 465