Бурков Андрей. Машинное обучение без лишних слов

СПб.: Питер, 2020. — 192 с. — (Библиотека программиста). — ISBN 978-5-4461-1560-0.Все, что вам действительно нужно знать о машинном обучении, может уместиться на паре сотен страниц. Начнем с простой истины: машины не учатся. Типичное «машинное обучение» заключается в поиске математической формулы, которая при применении к набору входных данных (называемых «обучающими данными») даст желаемые результаты.
Андрей Бурков постарался дать все необходимое, чтобы каждый мог стать отличным современным аналитиком или специалистом по машинному обучению. То, что удалось вместить в пару сотен страниц, в других книгах растянуто на тысячи. Типичные книги по машинному обучению консервативны и академичны, здесь же упор сделан на алгоритмах и методах, которые пригодятся в повседневной работе.
«В наше время очень полезно иметь краткое введение в машинное обучение, на которое всегда можно давать ссылку и после которого можно быть уверенным, что человек говорит на одном с тобой языке. Попытку дать такое введение я вижу в этой книге, и мне кажется, что попытка получилась очень удачной. Книга действительно представляет читателю широкий спектр основных понятий и методов машинного обучения, которые здесь изложены корректно, хоть и по понятным причинам очень кратко.
Но если книгу прочитать вдумчиво и действительно освоить то, о чем здесь говорится, этот шаг может превратиться в большой скачок. Чего я и желаю всем читателям: разбирайтесь, познавайте, интересуйтесь новым и не бойтесь трудностей. Удачи!»
Сергей Николенко, директор по научным исследованиям (Chief Research Officer) платформы Neuromation, автор бестселлера «Глубокое обучение. Погружение в мир нейронных сетей»
«Бурков взял на себя решение очень важной, но невероятно сложной задачи — уместить знакомство с машинным обучением в маленькую книгу. Он удачно выбрал темы — теоретические и практические — которые будут полезны и для практиков, и для читателей, понимающих, что эти первые сто страниц, которые они прочитают, закладывают прочный фундамент для дальнейшего изучения».
Питер Норвиг, директор по исследованиям в компании Google, соавтор книги «Искусственный интеллект. Современный подход»
«Широта тем, которые охватывает эта маленькая книга, поражает! Бурков без страха и сомнений приводит математические уравнения, которыми часто пренебрегают авторы небольших книг. Мне очень понравилось, как всего несколькими словами автор объясняет основные понятия. Книга пригодится новичкам в этой области, а также ”старожилам” — каждый сможет извлечь выгоду из такого широкого взгляда на машинное обучение.»
Орельен Жерон, консультант по машинному обучению, старший инженер-программист, автор книги «Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow»Оглавление
Предисловие к русскому изданию
Предисловие из оригинального издания
Вступление
Кому адресована эта книга
От издательства
Введение
Что такое машинное обучение
Типы обучения
Как работает обучение с учителем
Почему модель способна работать с новыми данными
Обозначения и определения
Обозначения
Случайная величина
Несмещенные оценки
Правило Байеса
Оценка параметров
Параметры и гиперпараметры
Классификация и регрессия
Обучение на основе моделей и на основе примеров
Поверхностное и глубокое обучение
Фундаментальные алгоритмы
Линейная регрессия
Логистическая регрессия
Обучение дерева решений
Метод опорных векторов
Метод k ближайших соседей
Анатомия алгоритмов обучения
Строительные блоки алгоритмов обучения
Градиентный спуск
Как работают инженеры, занимающиеся машинным обучением
Особенности алгоритмов обучения
Практические основы
Проектирование признаков
Выбор алгоритма обучения
Три набора
Недообучение и переобучение
Регуляризация
Оценка эффективности модели
Настройка гиперпараметров
Нейронные сети и глубокое обучение
Нейронные сети
Глубокое обучение
Проблемы и решения
Ядерная регрессия
Многоклассовая классификация
Одноклассовая классификация
Классификация с многими метками
Обучение ансамбля
Обучение маркировке последовательностей
Обучение преобразованию последовательностей в последовательности
Активное обучение
Обучение с частичным привлечением учителя
Обучение с первого раза
Обучение без подготовки
Продвинутые методики
Работа с несбалансированными наборами данных
Объединение моделей
Обучение нейронных сетей
Продвинутая регуляризация
Обработка нескольких входов
Обработка нескольких выходов
Перенос обучения
Эффективность алгоритмов
Обучение без учителя
Оценка плотности
Кластеризация
Сокращение размерности
Обнаружение аномалий
Другие формы обучения
Определение метрик
Определение ранга
Обучение делать рекомендации
Самообучение с учителем: вложения слов
Заключение
Что не было затронуто
Благодарности
Алфавитный указатель