машинное обучение

Алгоритмы машинного обучения, Смоляков В., 2026.

   Узнайте тонкости работы алгоритмов ML, чтобы эффективно решать задачи и повышать производительность используемых моделей. Познакомьтесь с фундаментальными математическими основами важнейших алгоритмов машинного обучения и вариантами их реализации на Python. Особое внимание уделяется вероятностным методам.
В книге анализируются и объясняются десятки алгоритмов, применяемых в различных сферах, в частности финансах, компьютерном зрении и обработке естественного языка. Каждый алгоритм сначала выводится математически, а потом иллюстрируется кодом на Python, снабженным подробными пояснениями и информативными графиками. Особую ценность представляет данная автором ясная интерпретация байесовских алгоритмов для моделей Монте-Карло и марковских цепей.

Книга Kaggle, Машинное обучение и анализ данных, Банахевич К., Массарон Л., 2024.

   Книга рассказывает о продвинутых приёмах машинного обучения и науки о данных (data science) на основе задач, решаемых на всемирно известной платформе Kaggle. Показано (в том числе на примере увлекательных интервью с Kaggle-гроссмейстерами), как устроена платформа Kaggle и проводимые на ней соревнования. Изложенный материал позволяет развить необходимые навыки и собрать портфолио по машинному обучению, анализу данных, обработке естественного языка, работе с множествами. Подобран уникальный пул задач, охватывающих различные классификационные и оценочные метрики, методы обучения нейронных сетей, схемы валидации, выявление паттернов и трендов в материале любой сложности.

Шаблоны и практика глубокого обучения, Ферлитш Э., 2022.
 
В книге рассматриваются актуальные примеры создания приложений глубокого обучения с учетом десятилетнего опыта работы автора в этой области. Вы сэкономите часы проб и ошибок, воспользовавшись представленными здесь шаблонами и приемами. Проверенные методики, образцы исходного кода и блестящий стиль повествования позволят с увлечением освоить даже непростые навыки. По мере чтения вы получите советы по развертыванию, тестированию и техническому со- провождению ваших проектов. Издание предназначено для инженеров машинного обучения, знакомых с Python и глубоким обучением.

Создание приложений машинного обучения, От идеи к продукту, Амейзен Э., 2022.
 
Освойте ключевые навыки проектирования, разработки и развертывания приложений на базе машинного обучения (МО)! Пошаговое руководство по созданию МО-приложений с упором на практику: для специалистов по обработке данных, разработчиков программного обеспечения и продакт-менеджеров. Читая эту книгу, вы шаг за шагом создадите реальное практическое приложение — от идеи до внедрения. В вашем распоряжении примеры кодов, иллюстрации, скриншоты и интервью с ведущими специалистами в отрасли. Вы научитесь планировать и измерять успех МО-проектов, разберетесь, как построить рабочую модель, освоите способы ее итеративной доработки. И, наконец, познакомитесь со стратегиями развертывания и мониторинга.

Программируем с PyTorch, Создание приложений глубокого обучения, Пойнтер Я., 2020.
 
PyTorch — это фреймворк от Facebook с открытым исходным кодом. Узнайте, как использовать его для создания собственных нейронных сетей. Ян Пойнтер поможет разобраться, как настроить PyTorch в облачной среде, как создавать нейронные архитектуры, облегчающие работу с изображениями, звуком и текстом. Книга охватывает важнейшие концепции применения переноса обучения, модели отладки и использования библиотеки PyTorch.

Прикладное машинное обучение без учителя с использованием Python, Пател А., 2020.
 
Эта книга рассчитана на читателей двух категорий. Первая, ощутимо боль­шая, категория — это специалисты по анализу и обработке данных, которым по долгу службы приходится работать с временными рядами, но делают они это не очень часто. Это могут быть как ветераны отрасли, так и начинающие ана­литики. Опытным специалистам материал первых глав покажется знакомым, но это не значит, что им можно пренебречь, — здесь описаны самые современные методы обработки данных и рассмотрены важные особенности управления вре­менными рядами. Аналитикам с небольшим рабочим опытом желательно прора­ботать все без исключения главы книги предельно внимательно, несмотря на их тематическую независимость друг от друга. Вторая категория читателей — руководители отделов по обработке и анализу данных в компаниях с интенсивным внутренним сбором информации. Если вы относитесь к этой группе читателей, то должны быть в курсе технологических решений, применяемых для обработки временных рядов, хотя вам и не прихо­дится заниматься программированием самостоятельно. Для вас эта книга будет полезна тем, что обозначит область применения временных рядов в существую­щих или создаваемых заново алгоритмах сбора и анализа данных. Назначение этой книги — помочь вам разобраться в технологиях, призванных упростить об­ работку существующих ресурсов данных.

Практический анализ временных рядов, Прогнозирование со статистикой и машинное обучение, Нильсен Э., 2021.
 
Эта книга рассчитана на читателей двух категорий. Первая, ощутимо боль­шая, категория — это специалисты по анализу и обработке данных, которым по долгу службы приходится работать с временными рядами, но делают они это не очень часто. Это могут быть как ветераны отрасли, так и начинающие ана­литики. Опытным специалистам материал первых глав покажется знакомым, но это не значит, что им можно пренебречь, — здесь описаны самые современные методы обработки данных и рассмотрены важные особенности управления вре­менными рядами. Аналитикам с небольшим рабочим опытом желательно прора­ботать все без исключения главы книги предельно внимательно, несмотря на их тематическую независимость друг от друга. Вторая категория читателей — руководители отделов по обработке и анализу данных в компаниях с интенсивным внутренним сбором информации. Если вы относитесь к этой группе читателей, то должны быть в курсе технологических решений, применяемых для обработки временных рядов, хотя вам и не прихо­дится заниматься программированием самостоятельно. Для вас эта книга будет полезна тем, что обозначит область применения временных рядов в существую­щих или создаваемых заново алгоритмах сбора и анализа данных. Назначение этой книги — помочь вам разобраться в технологиях, призванных упростить об­ работку существующих ресурсов данных.

Основы искусственного интеллекта, Нетехническое введение, Таулли Т., 2021.
 
Книга представляет собой увлекательное, нетехническое введение в такие важные понятия искусственного интеллекта (ИИ), как машинное обучение, глубокое обучение, обработка естественного языка, робототехника и многое другое. Проведено знакомство с историей и основными понятиями ИИ. Раскрыто значение данных как "топлива" для ИИ. Рассмотрены традиционные и продвинутые статистические методы машинного обучения, алгоритмы нейронных сетей для глубокого обучения, сферы применения разговорных роботов (чат-ботов), методы роботизации производственных процессов, технологии обработки естественного языка. Рассказано о применении языка Python и платформ TensorFlow и PyTorch при внедрении проектов ИИ. Освещены современные тренды ИИ: автономное вождение, милитаризация, технологическая безработица, изыскание новых лекарственных препаратов и другие.