Gépi tanulás a termelésben: Adattudományi munkafolyamatok és alkalmazások fejlesztése és optimalizálása

Olvasói vélemények

A könyvet kritikák érik amiatt, hogy túlságosan leegyszerűsítő és a gépi tanulás iránt érdeklődő olvasók számára nélkülözi a lényeges részleteket. Nem nyújt megfelelő információt, struktúrát és gyakorlati útmutatást a gépi tanulás fogalmainak valós forgatókönyvekben való alkalmazásához.

A könyv nagyon alapszintű bevezetésként szolgálhat olyan abszolút kezdők számára, akik semmit sem tudnak a gépi tanulásról.

Túlságosan rövidített, hiányzik belőle a tartalomjegyzék és az index, és nem nyújt érdemi betekintést a gépi tanulás gyakorlati alkalmazásaiba. Sok olvasó úgy érzi, hogy nem éri meg megvásárolni, és inkább a szerzők önéletrajzát erősíti.

(2 olvasói vélemény alapján)

Eredeti címe:

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

Könyv tartalma:

Alapvető gyakorlati készségek a valódi adattudományi projektek sikeréhez.

A Machine Learning in Production egy gyorstalpaló tanfolyam az adattudomány és a gépi tanulás terén olyan emberek számára, akiknek valós problémákat kell megoldaniuk, és nincs kiterjedt formális képzésük. A kíváncsisággal, ambícióval és technikai képességekkel rendelkező "véletlen adattudósok" számára írt, teljes és szigorú bevezetés a gyakorlatot, nem pedig az elméletet hangsúlyozza.

Az agilis alapelvekre építve Andrew és Adam Kelleher megmutatja, hogyan lehet gyorsan jelentős értéket teremteni, ellenállva a túlértékelt eszközöknek és a felesleges bonyolultságnak. Széleskörű tapasztalataikra támaszkodva segítenek hasznos kérdéseket feltenni, majd tipikus projekteket végrehajtani az elejétől a végéig.

A szerzők megmutatják, hogy mennyi információt nyerhetünk ki egyszerű lekérdezésekkel, aggregációkkal és vizualizációkkal, és nélkülözhetetlen hibaelemzési módszereket tanítanak a költséges hibák elkerülésére. Olyan munkabíró gépi tanulási technikákhoz fordulnak, mint a lineáris regresszió, az osztályozás, a klaszterezés és a Bayes-féle következtetés. Emellett elmagyarázzák az adattudomány hardverét és szoftverét, valamint azt, hogyan lehet olyan rendszereket tervezni, amelyek a korlátok ellenére maximalizálják a teljesítményt.

A szerzők mindig arra összpontosítanak, ami számít: a legnagyobb megtérülést kínáló problémák megoldására, a legegyszerűbb, legkevesebb kockázattal járó és működő megközelítések alkalmazásával.

⬤ Az agilis elvek kihasználásával a projekt terjedelme kicsi, a fejlesztés pedig hatékony marad.

⬤ Egyszerű heurisztikákkal kezdjen, és fejlessze őket, ahogy az adatcsővezeték érik.

⬤ Kerülje el a rossz következtetéseket az alapvető hibaelemzési technikák alkalmazásával.

⬤ Kommunikálja eredményeit alapvető adatvizualizációs technikákkal.

⬤ Mesterelje meg az alapvető gépi tanulási technikákat, kezdve a lineáris regresszióval és a véletlen erdőkkel.

⬤ Végezzen osztályozást és klaszterezést vektor- és gráfadatokon egyaránt.

⬤ A Bayes-hálózatok elsajátítása és felhasználásuk az oksági következtetés megértéséhez.

⬤ Tanulmányozza a túlillesztést, a modellkapacitást és más fejlett gépi tanulási technikákat.

⬤ Tudatos architekturális döntések meghozatala a tárolás, az adatátvitel, a számítás és a kommunikáció terén.