Învățarea automată în producție: Dezvoltarea și optimizarea fluxurilor de lucru și a aplicațiilor Data Science

Recenzii ale cititorilor

Cartea este criticată pentru că este prea simplistă și lipsită de detalii esențiale pentru cititorii interesați de învățarea automată. Ea nu reușește să ofere informații adecvate, structură și îndrumări practice pentru aplicarea conceptelor de învățare automată în scenarii reale.

Cartea ar putea servi ca o introducere foarte elementară pentru începătorii absoluți care nu știu nimic despre învățarea automată.

Este prea abreviată, nu are un cuprins și un index și nu oferă informații semnificative despre aplicațiile practice ale învățării automate. Mulți cititori consideră că nu merită cumpărată și că este mai mult un stimulent pentru CV-ul autorilor.

(pe baza a 2 recenzii ale cititorilor)

Titlul original:

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

Conținutul cărții:

Competențe practice fundamentale pentru a reuși cu proiecte reale de știința datelor.

Învățarea automată în producție este un curs rapid de știința datelor și învățarea automată pentru persoanele care trebuie să rezolve probleme din lumea reală și care nu au o pregătire formală extinsă. Scrisă pentru "oamenii de știință de date accidentali" cu curiozitate, ambiție și abilități tehnice, această introducere completă și riguroasă pune accentul pe practică, nu pe teorie.

Bazându-se pe principiile agile, Andrew și Adam Kelleher arată cum să livreze rapid o valoare semnificativă, rezistând instrumentelor exagerate și complexității inutile. Bazându-se pe vasta lor experiență, ei vă ajută să puneți întrebări utile și apoi să executați proiecte tipice de la început până la sfârșit.

Autorii arată cât de multe informații puteți obține cu ajutorul interogărilor, agregărilor și vizualizărilor simple și vă învață metode indispensabile de analiză a erorilor pentru a evita greșelile costisitoare. Ei abordează tehnici de învățare automată, precum regresia liniară, clasificarea, gruparea și inferența bayesiană. Ei explică, de asemenea, hardware-ul și software-ul științei datelor și modul de arhitectură a sistemelor care maximizează performanța în ciuda constrângerilor.

Autorii se concentrează întotdeauna pe ceea ce contează: rezolvarea problemelor care oferă cel mai mare randament al investiției, folosind cele mai simple abordări, cu riscuri reduse, care funcționează.

⬤ Utilizează principiile agile pentru a menține domeniul de aplicare al proiectului redus și dezvoltarea eficientă.

⬤ Începeți cu euristici simple și îmbunătățiți-le pe măsură ce conducta dvs. de date se maturizează.

⬤ Evitați concluziile greșite prin implementarea tehnicilor fundamentale de analiză a erorilor.

⬤ Comunicați-vă rezultatele cu ajutorul tehnicilor de bază de vizualizare a datelor.

⬤ Master tehnici de bază de învățare automată, începând cu regresia liniară și păduri aleatorii.

⬤ Executarea clasificării și a grupării pe date vectoriale și grafice.

⬤ Master Bayesian networks and use them to understand causal inference.

⬤ Explorați supraajustarea, capacitatea modelului și alte tehnici avansate de învățare automată.

⬤ Să ia decizii arhitecturale în cunoștință de cauză privind stocarea, transferul de date, calculul și comunicarea.