Ez a gépi tanulási projektek végleges útmutatója választ ad a feltörekvő vagy tapasztalt adattudósok gyakran felmerülő problémáira: Összezavarodva, hogy milyen technológiát használjon az ML-fejlesztéshez? GOFAI-t, ANN/DNN-t vagy transzfer tanulást használjak? Számíthatok-e az AutoML-re a modellfejlesztés során? Mi van akkor, ha az ügyfél gigászi és terabájtnyi adatot biztosít számomra az analitikus modellek fejlesztéséhez? Hogyan kezeljem a nagyfrekvenciás dinamikus adathalmazokat? Ez a könyv a gyakorló szakemberek számára a teljes adattudományi folyamatot egyetlen "puskaporos lapban" foglalja össze.
Az adattudósok számára az a kihívás, hogy olyan értelmes információkat nyerjenek ki hatalmas adathalmazokból, amelyek segítenek jobb stratégiákat létrehozni a vállalkozások számára. Számos gépi tanulási algoritmust és neurális hálózatot arra terveztek, hogy ilyen adathalmazokon végezzen elemzést.
Az adattudós számára ijesztő döntés, hogy melyik algoritmust használja egy adott adathalmazhoz. Bár erre a kérdésre nincs egyetlen válasz, a problémamegoldáshoz szisztematikus megközelítésre van szükség. Ez a könyv fogalmilag ismerteti a különböző ML-algoritmusokat, és meghatározza/beszéli az ML/DL-modellek kiválasztásának folyamatát.
A rendelkezésre álló algoritmusok és a hatékony ML-modellek tervezésére szolgáló technikák összevonása a könyv fő szempontja. A Thinking Data Science segítséget nyújt a gyakorló adattudósoknak, akadémikusoknak, kutatóknak és hallgatóknak, akik a megfelelő algoritmusok és architektúrák segítségével ML-modelleket szeretnének építeni, legyenek az adatok akár kicsik, akár nagyok.
