Введение в машинное обучение с помощью Python. Руководство для специалистов... Андреас Мюллер. Сара Гвидо.

Машинная учеба стала неотъемлемой частью различных коммерческих и исследовательских проектов, начиная от постановки медицинского диагноза с последующим лечением и заканчивая поиском друзей в социальных сетях. Многие считают, что машинное обучение могут использовать только крупные компании, обладающие мощными командами аналитиков.

В книге 'Введение в машинное обучение с помощью Python' описывается как можно самостоятельно и с удивительной легкостью построить модели машинного обучения (Machine Learning, ML). Прочтя эту книгу, вы сможете построить собственную систему машинного обучения, которая позволит выяснить настроения пользователей Твиттера или получить прогнозы по глобальному потеплению.

Машинное обучение состоит в извлечении знаний из данных. Это научная сфера, находящаяся на пересечении статистики, искусственного интеллекта и компьютерных наук, также известная как прогнозная аналитика или статистическое обучение. В последние годы применение методов машинного обучения в повседневной жизни стало обычным явлением

Книга «Введение в машинное обучение с помощью Python» является вводной и не требует предварительных знаний в области машинного обучения или искусственного интеллекта.

Область применения машинного обучения безгранична и, учитывая все многообразие данных, имеющихся на сегодняшний день, ограничивается только вашим воображением.

Об авторах

Андреас Мюллер получил ученую степень доктора наук по машинному обучению в Боннском университете.

В течение года он работал в должности специалиста по машинному обучению в компании Amazon, занимаясь решением прикладных задач в области компьютерного зрения. В настоящее время Андреас работает в Центре изучения данных Нью-Йоркского университета. В последние четыре года он стал куратором и одним из ключевых разработчиков библиотеки scikit-learn - популярного инструмента машинного обучения, широко используемого в промышленности и науке. Кроме того, Андреас является автором и разработчиком нескольких популярных пакетов машинного обучения. Свою миссию он видит в том, чтобы создавать инструменты с открытым программным кодом, которые позволяют устранить препятствия, мешающие более активному использованию машинного обучения в прикладных задачах, а также способствуют продвижению воспроизводимой науки (reproducible science) и упрощают применение высокоточных алгоритмов машинного обучения.

Сара Гвидо – специалист по анализу данных, имеет большой опыт работы в стартапах. Она имеет степень магистра по информатике, которую получила в Мичиганском университете. В настоящее время проживает в Нью-Йорке. Сфера ее интересов – язык Python, машинное обучение, большие объемы данных и мир новейших технологий. Недавно Сара стала ведущим специалистом по анализу данных в компании Bitly. Кроме этого, она является постоянным спикером на конференциях по машинному обучению.

Содержание
Предисловие 15

Глава 1. Введение 21

Глава 2. Методы машинного обучения с учителем 53

Раздел 3. Методы машинного обучения без учителя

и предварительная обработка данных 177

Раздел 4. Типы данных и конструирование признаков 269

Раздел 5. Оценка и улучшение качества модели 319

Раздел 6. Объединение алгоритмов в цепочки и конвейеры 385

Глава 7. Работа с текстовыми данными 407

Глава 8. Подведение итогов 451

Предметный указатель 465