#MachineLearning 2024

Грокаем машинное обучение

Автор: Серрано Луис

Машинное обучение — это набор методов анализа данных, основанных на алгоритмах, которые дают все более точные результаты по мере поступления новых данных. Машинное обучение лежит в основе систем рекомендаций, программ распознавания лиц, «умных» колонок и даже беспилотных автомобилей. Эта уникальная книга объясняет основные понятия машинного обучения на простых и доступных примерах, увлекательных упражнениях и запоминающихся иллюстрациях.

Здесь нет зубодробительного академического жаргона, для понимания объяснений достаточно знаний основ алгебры. По мере чтения вы будете создавать модели для идентификации спама, и распознавания изображений и другие интересные проекты на языке Python. Откройте для себя мощные методы машинного обучения, для понимания и применения которых достаточно знаний математики на уровне средней школы! Для читателей, знающих основы языка Python. Знаний в области машинного обучения не требуется.

#MachineLearning 2022

Инженерия машинного обучения

Автор: Бурков А.

Книга представляет собой подробный обзор передовых практик и паттернов проектирования в области прикладного машинного обучения. В отличие от многих учебников, уделяется внимание инженерным аспектам МО. Рассматриваются сбор, хранение и предобработка данных, конструирование признаков, а также тестирование и отладка моделей, развертывание и вывод из эксплуатации, сопровождение на этапе выполнения и в процессе эксплуатации.

#MachineLearning 2022

Машинное обучение. Паттерны проектирования

Авторы: В. Лакшманан, М. Мунн, С. Робинсон

Приводимые в книге паттерны проектирования отражают лучшие практические подходы к решению типичных задач машинного обучения. Указанные паттерны, реализованные в программном коде, сконцентрировали опыт сотен экспертов в простые и легкодоступные советы. Книга содержит подробный разбор 30 паттернов, служащих для представления данных и задач, тренировки моделей, отказоустойчивого обслуживания, обеспечения воспроизводимо-сти и искусственного интеллекта. Каждый паттерн включает в себя постановку задачи, ряд потенциальных решений и рекомендации по выбору технического приема, наилучшим образом подходящего к данной ситуации.

#MachineLearning #DataScience 2023

Проектирование систем машинного обучения

Автор: Чип Хьюен

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.

#MachineLearning #Loginom 2023

Машинное обучение на платформе Loginom

Автор: Яковлев В.Б.

Изложены основные методы машинного обучения, используемые в low-code платформе Loginom: без учителя (кластеризация, ЕМ кластеризация, ассоциативные правила, кластеризация транзакций, факторный анализ) и с учителем (линейная регрессия, логистическая регрессия, ARIMAX). Приведены примеры, позволяющие получить навыки их практического применения в бизнес-аналитике.

#ВероятностноеПрогр #MachineLearning 2024

Вероятностное машинное обучение. Дополнительные темы: основания, вывод

Автор: Кэвин П. Мэрфи

Дополняя ранее изданную книгу «Вероятностное машинное обучение. Введение», этот классический труд знакомит читателя с деталями самых актуальных теорий и методов машинного обучения, включая глубокие порождающие модели, графовые модели, байесовский вывод, обучение с подкреплением и причинность. Глубокое обучение излагается в контексте более широкого статистического контекста, а подходы к глубокому обучению унифицированы с подходами к вероятностному моделированию и выводу.

#MachineLearning #DeepLearning #PyTorch #Scikit_Learn 2023

Машинное обучение с PyTorch и Scikit-Learn

Авторы: Себастьян Рашка, Лю Юси (Хэйден), Мирджалили Вахид

Исчерпывающее руководство по машинному (МО) и глубокому обучению с использованием языка программирования Python, фреймворка PyTorch и библиотеки scikit-learn. Рассмотрены основы МО, алгоритмы для задач классификации, классификаторы на основе scikit-learn, предварительная обработка и сжатие данных, современные методы оценки моделей и объединение различных моделей для ансамблевого обучения.

Вы изучите:
- фреймворки, модели и методы машинного обучения, применимые к широкому кругу задач и наборов данных;
- библиотеку scikit-learn для машинного обучения и фреймворк PyTorch для глубокого обучения;
- приемы обучения классификаторов на изображениях, тексте и т. д.;
- средства создания и обучения нейронных сетей, преобразователей и графических нейронных сетей;
- передовые методы оценки и настройки моделей.

#MachineLearning #ИИ 2024

Прикладное машинное обучение и искусственный интеллект для инженеров

Автор: Просиз Джеф

Книга рассказывает о применении искусственного интеллекта и машинного обучения в бизнесе и инженерной практике. Подробно описаны популярные алгоритмы машинного обучения и разъяснено, когда их целесообразно использовать. Приведены примеры построения моделей машинного обучения на языке Python с помощью библиотеки Scikit-Learn, а также создания нейронных сетей посредством библиотек Keras и TensorFlow. Изложены базовые принципы и способы оценки регрессионных моделей, моделей бинарной и многоклассовой классификации. Показаны примеры создания модели распознавания лиц и обнаружения объектов, языковых моделей, отвечающих на естественно-языковые вопросы и переводящих текст на другие языки.

#MachineLearning #Python 2024

Машинное обучение с использованием Python. Сборник рецептов: практические решения от предобработки до глубокого обучения, 2 изд

Авторы: Кайл Галлатин, Крис Элбон

Книга содержит около 200 задач машинного обучения, таких как загрузка и обработка текстовых или числовых данных, отбор модели и многие другие. Рассмотрена работа с языком Python, библиотеками pandas и scikit-learn. Коды примеров можно вставлять, объединять и адаптировать, создавая собственное приложение. Приведены рецепты решений с использованием: векторов, матриц и массивов; данных из CSV, JSON, SQL, баз данных, облачных хранилищ и других источников; обработки данных, текста, изображений, дат и времени; умень-шения размерности и методов выделения или отбора признаков; оценивания и отбора моделей; линейной и логистической регрессии, деревьев, лесов и k ближайших соседей; опорно-векторных машин (SVM), наивных байесовых классификаторов, кластеризации и нейронных сетей; сохранения и загрузки натренированных моделей.

#MachineLearning 2024

Книга Kaggle. Машинное обучение и анализ данных

Авторы: Конрад Банахевич, Лука Массарон

Книга рассказывает о продвинутых приёмах машинного обучения и науки о данных (data science) на основе задач, решаемых на всемирно известной платформе Kaggle. Показано (в том числе на примере увлекательных интервью с Kaggle-гроссмейстерами), как устроена платформа Kaggle и проводимые на ней соревнования. Изложенный материал позволяет развить необходимые навыки и собрать портфолио по машинному обучению, анализу данных, обработке естественного языка, работе с множествами. Подобран уникальный пул задач, охватывающих различные классификационные и оценочные метрики, методы обучения нейронных сетей, схемы валидации, выявление паттернов и трендов в материале любой сложности.

#НейроСети #Python #ИИ #MachineLearning 2024

Нейросети на Python. Основы ИИ и машинного обучения

Автор: Куликова И.В.

Эта книга является практическим комплексным гидом по изучению ИИ и применению нейросетей. В ней вы найдете информацию о различных типах нейросетей, их архитектуре, принципах работы и различных возможностях использования. Примеры использования библиотек NumPy, PyTorch, Matplotlib, SciPy, NetworkX, TensorFlow, OpenCV, Pandas, scikit-learn, nltk помогут вам лучше понять действия нейросети в реальных условиях. Математические основы машинного обучения, с многочисленными примерами уравнений и формул на языке программирования Python, помогут понять истоки появления нейросетей с научной точки зрения.

#MachineLearning #Scheme 2024

The Little Learner: чудесное машинное обучение

Авторы: Фридман Д.П., Мендхекар А.

В этой книге из знаменитой серии The Little Book охвачены все концепции, необходимые для интуитивного понимания работы глубоких нейронных сетей, включая тензоры, расширенные операторы, алгоритмы градиентного спуска, искусственные нейроны, полносвязные, сверточные сети и остаточные сети, а также автоматическое дифференцирование.

• С юмором и сократовским подходом, характерными для всех книг серии, объясняется работа глубоких нейронных сетей. Читатель начнет с азов глубокого обучения и познакомится с полной реализацией полезного приложения: распознавателя зашумленных сигналов азбуки Морзе.

• Разговорный стиль, постепенное движение от простого к сложному, забавные иллюстрации, формат вопросов и ответов делают обучение доступным и увлекательным.

• Ключевые идеи машинного обучения представлены с использованием небольшого подмножества языка Scheme.

#Python #MachineLearning 2024

Конформное прогнозирование в Python

Автор: Манохин В.

Данная книга предлагает углубленное изучение конформного прогнозирования — новейшего подхода, позволяющего управлять неопределенностью в различных задачах машинного обучения. Вы узнаете, как конформное прогнозирование создает точно откалиброванные прогнозные интервалы для регрессии и решает задачи прогнозирования временных рядов и несбалансированных данных. Практические примеры на Python, а также использование реальных наборов данных, экспертных рекомендаций и открытых библиотек обеспечат вам глубокое понимание этого подхода.

#MachineLearning #MSOffice 2025

Машинное обучение сквозь призму Excel. Примеры и упражнения

Автор: Хун Чжоу

Изучение датамайнинга на примерах и упражнениях в этой книге позволит вам заглянуть за кулисы сложных методов и научиться эффективно работать с данными. По мнению автора, постигать датамайнинг и модели анализа данных лучше всего на практике, выполняя действия одно за другим. В отличие от большинства специализированных инструментов, которые работают по принципу «черного ящика», Excel позволяет просматривать промежуточные результаты в процессе применения метода и досконально понимать происходящее.

Техники датамайнинга подразделяются на методы обучения с учителем (supervised) и без учителя (unsupervised). Методы обучения с учителем предполагают наличие обучающего набора данных (training dataset) для, собственно, обучения прикладных программ или алгоритмов (такие программы и алгоритмы часто именуют машинами (machine)). Эти алгоритмы обучаются до оптимального состояния, что приводит к образованию так называемой модели (model). Именно поэтому процесс обучения часто называют моделированием. Методы датамайнинга также можно подразделить на параметрические (parametric) и непараметрические (nonparametric). С точки зрения параметрических методов модель представляет собой всего лишь набор параметров, или правил, выявленных в процессе обучения, которые предположительно идеально подходят для работы с обучающим набором. Непараметрические методы не приводят к образованию наборов параметров. Вместо этого они динамически оценивают входящие данные на основе существующего набора данных.

Издание предназначено всем желающим освоить основные методы машинного обучения. Для чтения потребуются базовые навыки работы с Excel.

#MachineLearning 2025

Причинно-следственный анализ для смелых и честных

Авторы: Матеус Факур, Артем Груздев

Причинно-следственный анализ – это метод статистического анализа данных, помогающий выявить, как одно событие влияет на другое. Прочитав данную книгу, читатели научатся находить причинно-следственные связи в данных, применять правильные методы анализа и оценивать достоверность полученных выводов. Издание предназначено специалистам по анализу данных, а также будет полезно бизнес-аналитикам и инженерам. В книге используется только свободное программное обеспечение, основанное на языке Python.

#MachineLearning 2025

Машинное обучение с малым объемом кодирования

Авторы: Стриплинг Г., Абель М.

В книге подробно представлены три проблемно-ориентированных вида машинного обучения (Machine learning, ML): автоматизированное обучение AutoML без кодирования, обучение BigQuery ML с малым объемом кодирования и обучение с применением пользовательского кода на основе библиотек scikit-learn 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.

#MachineLearning 2025

Предсказательная аналитика с KNIME

Автор: Асито Ф.

Книга посвящена интеллектуальному анализу данных с помощью KNIME – инструмента с открытым исходным кодом и визуальным интерфейсом разработки. Настраиваемые узлы аналитической системы можно перетаскивать мышью в среду выполнения, компонуя из них интерактивный граф. На страницах книги вы найдете подробное описание наиболее распространенных методов машинного обучения, таких как линейная и логистическая регрессия, кластерный анализ, деревья решений, нейронные сети и т.д. Вы также научитесь реализовывать эти методы на практике с применением KNIME.

#MachineLearning #ДляДетей 2023

Машинное обучение для детей. Практическое введение в искусственный интеллект

Автор: Дейл Лейн

Книга знакомит школьников с машинным обучением через выполнение 13 практических проектов в доступной образовательной онлайн-среде с применением языка визуального программирования Scratch. Все проекты в книге сопровождаются подробными пошаговыми инструкциями, доступными для любого новичка.

#Arduino #ИИ #MachineLearning 2025

Arduino. Искусственный интеллект и машинное обучение

Автор: Барретт С.Ф

Автор книги концентрируется на приложениях искусственного интеллекта и машинного обучения для систем на базе микроконтроллеров в среде Arduino на примере платы Arduino Nano 33 BLE Sense.
Описаны примеры, пригодные для выполнения в том числе на простейшем 8-разрядном контроллере Arduino Uno.

Издание будет полезно студентам, практикующим инженерам и широкому кругу любителей современной электроники.

#MachineLearning #ИИ 2025

Обучение с малым количеством данных

Автор: Джеймс Девис

Вас ждет увлекательное и глубокое исследование одного из самых инновационных направлений в искусственном интеллекте, способного революционизировать технологии. Когда традиционные модели требуют огромных объемов данных для обучения, Few-shot и Zero-shot подходы позволяют алгоритмам обучаться и принимать решения на минимальном количестве примеров — или вовсе без них.

В этой книге раскрываются секреты создания моделей, которые не только учатся на лету, но и могут адаптироваться к новым условиям, сталкиваясь с неизвестными категориями. Читатель узнает, как эти прорывные методы трансформируют такие критические области, как медицина, робототехника, обработка изображений и текста.

Эта книга станет путеводителем для тех, кто хочет освоить будущее ИИ, исследуя тонкости работы алгоритмов, способных справляться с нехваткой данных, и предсказывая их влияние на ближайшие технологические горизонты.