Machine learning, Python i data science. Wprowadzenie

To praktyczne wprowadzenie do świata uczenia maszynowego, Pythona i data science, pokazujące, że zaawansowane rozwiązania można tworzyć także bez rozbudowanego zaplecza i bardzo zaawansowanej matematyki. Książka prowadzi czytelnika przez najważniejsze zagadnienia związane z budowaniem modeli, przetwarzaniem danych i oceną wyników, skupiając się na realnych zastosowaniach. Centralnym wyzwaniem jest tu przejście od podstawowej wiedzy do samodzielnego wdrażania narzędzi potrzebnych w pracy badawczej i komercyjnej.

Książka porusza temat uczenia maszynowego jako praktycznego narzędzia do rozwiązywania rzeczywistych problemów, zamiast ujmować je wyłącznie od strony teorii. Ważnym motywem jest dostępność tej dziedziny dla osób, które nie chcą zaczynać od zaawansowanej matematyki, lecz od konkretnych zastosowań i pracy z danymi. Istotne miejsce zajmuje także Python i biblioteka scikit-learn, pokazane jako środowisko do budowania i wykorzystywania modeli. Pojawiają się również zagadnienia przetwarzania danych, oceny modeli i dostrajania parametrów, czyli tematy kluczowe dla skutecznego wdrażania rozwiązań. Całość dopełnia wątek organizacji pracy nad modelami, w tym łańcuchów modeli i hermetyzacji przepływu pracy.

To książka dla osób zainteresowanych programowaniem i praktycznym zastosowaniem uczenia maszynowego, zwłaszcza badaczy, analityków danych oraz inżynierów pracujących nad aplikacjami komercyjnymi. Sprawdzi się także u czytelników, którzy chcą rozpocząć naukę tego obszaru w bardziej przystępny sposób i bez nadmiernego nacisku na matematykę. Dobrze nadaje się dla początkujących w tej tematyce, ponieważ koncentruje się na podstawach i praktyce.

Książka została napisana przez Andreasa Mullera i Guido Sarah.

Książka nie jest częścią serii.

Ta książka wyraźnie koncentruje się na praktycznej stronie uczenia maszynowego. Zamiast rozbudowanych wywodów matematycznych skupia się na tym, jak korzystać z modeli dostępnych w bibliotekach i jak stosować je do rzeczywistych problemów. Dużą rolę odgrywają tu Python oraz scikit-learn, a także takie zagadnienia jak przetwarzanie danych, ocena modeli i dostrajanie parametrów. To propozycja dla osób, które chcą przede wszystkim zacząć działać i rozumieć, jak wykorzystywać te narzędzia w pracy.

Książka obejmuje podstawowe informacje o uczeniu maszynowym oraz przedstawia najważniejsze algorytmy stosowane w tej dziedzinie. Dużo miejsca poświęca przetwarzaniu danych, ocenie modelu i dostrajaniu parametrów, czyli etapom niezbędnym w praktycznej pracy z danymi. Omawia również łańcuchy modeli i hermetyzację przepływu pracy, co pomaga uporządkować proces tworzenia rozwiązań. Uzupełnieniem są zagadnienia związane z przetwarzaniem danych tekstowych oraz wykorzystaniem Pythona do zadań specjalnych.

Wydawcą książki „Machine learning, Python i data science. Wprowadzenie” jest Wydawnictwo Helion.

Książka „Machine learning, Python i data science. Wprowadzenie” dostępna jest w następujących formatach: ebook i miękkiej oprawie.