Uczenie maszynowe w produkcji: Rozwijanie i optymalizacja przepływów pracy i aplikacji Data Science

Opinie czytelników

Książka jest krytykowana za zbytnie uproszczenie i brak istotnych szczegółów dla czytelników zainteresowanych uczeniem maszynowym. Nie zapewnia ona odpowiednich informacji, struktury i praktycznych wskazówek dotyczących stosowania koncepcji uczenia maszynowego w rzeczywistych scenariuszach.

Książka może służyć jako bardzo podstawowe wprowadzenie dla absolutnie początkujących, którzy nie wiedzą nic o uczeniu maszynowym.

Jest nadmiernie skrócona, nie zawiera spisu treści i indeksu, a także nie zapewnia znaczącego wglądu w praktyczne zastosowania uczenia maszynowego. Wielu czytelników uważa, że książka ta nie jest warta zakupu i jest raczej dodatkiem do CV dla autorów.

(na podstawie 2 opinii czytelników)

Oryginalny tytuł:

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

Zawartość książki:

Fundamentalne umiejętności praktyczne pozwalające odnieść sukces w prawdziwych projektach Data Science.

Uczenie maszynowe w produkcji to przyspieszony kurs nauki o danych i uczenia maszynowego dla osób, które muszą rozwiązywać rzeczywiste problemy i nie mają obszernego formalnego szkolenia. Napisany dla "przypadkowych naukowców zajmujących się danymi" z ciekawością, ambicjami i umiejętnościami technicznymi, ten kompletny i rygorystyczny wstęp kładzie nacisk na praktykę, a nie teorię.

Opierając się na zasadach agile, Andrew i Adam Kelleher pokazują, jak szybko dostarczyć znaczącą wartość, opierając się przereklamowanym narzędziom i niepotrzebnej złożoności. Opierając się na swoim bogatym doświadczeniu, pomagają zadawać przydatne pytania, a następnie realizować typowe projekty od początku do końca.

Autorzy pokazują, jak wiele informacji można uzyskać za pomocą prostych zapytań, agregacji i wizualizacji, a także uczą niezbędnych metod analizy błędów, aby uniknąć kosztownych pomyłek. Zwracają się do technik uczenia maszynowego, takich jak regresja liniowa, klasyfikacja, grupowanie i wnioskowanie bayesowskie. Wyjaśniają również sprzęt i oprogramowanie do nauki o danych oraz jak projektować systemy, które maksymalizują wydajność pomimo ograniczeń.

Autorzy zawsze koncentrują się na tym, co ważne: rozwiązywaniu problemów, które oferują najwyższy zwrot z inwestycji, przy użyciu najprostszych, najmniej ryzykownych podejść, które działają.

⬤ Wykorzystanie zasad zwinności, aby zakres projektu był niewielki, a rozwój wydajny.

⬤ Zacznij od prostych heurystyk i ulepszaj je w miarę dojrzewania potoku danych.

⬤ Unikaj złych wniosków, wdrażając podstawowe techniki analizy błędów.

⬤ Komunikuj swoje wyniki za pomocą podstawowych technik wizualizacji danych.

⬤ Opanowanie podstawowych technik uczenia maszynowego, począwszy od regresji liniowej i lasów losowych.

⬤ Przeprowadzanie klasyfikacji i grupowania zarówno na danych wektorowych, jak i grafowych.

⬤ Opanowanie sieci bayesowskich i wykorzystanie ich do zrozumienia wnioskowania przyczynowego.

⬤ Zgłębianie zagadnień związanych z nadmiernym dopasowaniem, pojemnością modelu i innymi zaawansowanymi technikami uczenia maszynowego.

⬤ Podejmować świadome decyzje architektoniczne dotyczące przechowywania, transferu danych, obliczeń i komunikacji.