Ten kompletny przewodnik po projektach uczenia maszynowego odpowiada na problemy, z którymi często borykają się początkujący lub doświadczeni analitycy danych: Zdezorientowany, jakiej technologii użyć do rozwoju ML? Czy powinienem używać GOFAI, ANN/DNN czy Transfer Learning? Czy mogę polegać na AutoML przy tworzeniu modeli? Co jeśli klient dostarczy mi gigabajty i terabajty danych do opracowania modeli analitycznych? Jak radzić sobie z dynamicznymi zestawami danych o wysokiej częstotliwości? Ta książka zapewnia praktykom konsolidację całego procesu nauki o danych w jednym "ściągawce".
Wyzwaniem dla analityków danych jest wydobycie znaczących informacji z ogromnych zbiorów danych, które pomogą stworzyć lepsze strategie dla firm. Wiele algorytmów uczenia maszynowego i sieci neuronowych zostało zaprojektowanych do analizy takich zbiorów danych.
Dla analityka danych jest to zniechęcająca decyzja, który algorytm zastosować dla danego zbioru danych. Chociaż nie ma jednej odpowiedzi na to pytanie, konieczne jest systematyczne podejście do rozwiązywania problemów. Niniejsza książka opisuje koncepcyjnie różne algorytmy ML i definiuje/dyskutuje proces wyboru modeli ML/DL.
Konsolidacja dostępnych algorytmów i technik projektowania wydajnych modeli ML jest kluczowym aspektem tej książki. Thinking Data Science pomoże praktykującym naukowcom zajmującym się danymi, naukowcom akademickim, badaczom i studentom, którzy chcą budować modele ML przy użyciu odpowiednich algorytmów i architektur, niezależnie od tego, czy dane są małe czy duże.
