Ocena:

Obecnie brak opinii czytelników. Ocena opiera się na 4 głosach.
Automated Machine Learning for Business
Nauczanie procesu uczenia maszynowego dla studentów biznesu i profesjonalistów przy użyciu zautomatyzowanego uczenia maszynowego, nowego rozwiązania w nauce o danych, które wymaga zaledwie kilku tygodni nauki zamiast lat szkolenia.
Choć koncepcja komputerów uczących się rozwiązywać problemy może wciąż kojarzyć się z futurystyczną sztuczną inteligencją, w rzeczywistości algorytmy uczenia maszynowego istnieją obecnie w większości głównych programów, w tym na stronach internetowych, a nawet w edytorach tekstu. Algorytmy te przekształcają społeczeństwo w najbardziej radykalny sposób od czasów rewolucji przemysłowej, przede wszystkim poprzez automatyzację zadań, takich jak decydowanie o tym, do których użytkowników kierować reklamy, które maszyny mogą się zepsuć oraz które akcje kupić i sprzedać. Chociaż praca ta nie zawsze wymaga zaawansowanej wiedzy technicznej, kluczowe jest, aby zarówno praktycy, jak i studenci rozumieli świat uczenia maszynowego.
W tej książce Kai R. Larsen i Daniel S. Becker uczą procesu uczenia maszynowego przy użyciu nowego rozwiązania w nauce o danych: zautomatyzowanego uczenia maszynowego (AutoML). AutoML, gdy jest prawidłowo zaimplementowany, czyni uczenie maszynowe dostępnym, eliminując potrzebę wieloletniego doświadczenia w najbardziej tajemniczych aspektach nauki o danych, takich jak matematyka, statystyka i informatyka. Larsen i Becker pokazują, w jaki sposób każdy przeszkolony w zakresie korzystania z AutoML może wykorzystać go do testowania swoich pomysłów i wspierania jakości tych pomysłów podczas prezentacji dla kierownictwa i grup interesariuszy. Ponieważ wymagana inwestycja to kilka tygodni, a nie kilka lat szkolenia, narzędzia te prawdopodobnie staną się podstawowym elementem zarówno programów licencjackich, jak i magisterskich.
Dzięki przykładom z pierwszej ręki z wiodącej w branży platformy DataRobot, Automated Machine Learning for Business zapewnia przejrzysty przegląd procesu i angażuje się w niezbędne narzędzia dla przyszłości nauki o danych.