Эта книга научит вас проектировать и внедрять полностью готовые к использованию системы машинного обучения. Вы узнаете принципы реактивного проектирования, работая со Spark, научитесь создавать масштабируемые сервисы при помощи Akka и взаимодействовать с библиотеками машинного обучения.

Эта книга научит вас проектировать и внедрять полностью готовые к использованию системы машинного обучения. Вы узнаете принципы реактивного проектирования, работая со Spark, научитесь создавать масштабируемые сервисы при помощи Akka и взаимодействовать с библиотеками машинного обучения.

Сегодня машинное обучение – основной практический аппарат для применения искусственного интеллекта. Книга, основанная на стэнфордском учебном курсе, не ограничивается разбором конкретных библиотек, а описывает высокоуровневый подход к разработке систем машинного обучения, который упрощает их поддержку и развитие, позволяет избежать переобучения, искажения результатов. Рассказано, как сделать новую систему машинного обучения или нейронную сеть, надёжной, репрезентативной и расширяемой, а также качественно доработать уже существующие системы. Также показано, как подобрать библиотеки и алгоритмы с учётом имеющегося множества данных и действующих бизнес-требований, конструировать признаки и отслеживать метрики.Книга адресована программистам и специалистам по data science.

Сегодня машинное обучение – основной практический аппарат для применения искусственного интеллекта. Книга, основанная на стэнфордском учебном курсе, не ограничивается разбором конкретных библиотек, а описывает высокоуровневый подход к разработке систем машинного обучения, который упрощает их поддержку и развитие, позволяет избежать переобучения, искажения результатов. Рассказано, как сделать новую систему машинного обучения или нейронную сеть, надёжной, репрезентативной и расширяемой, а также качественно доработать уже существующие системы. Также показано, как подобрать библиотеки и алгоритмы с учётом имеющегося множества данных и действующих бизнес-требований, конструировать признаки и отслеживать метрики.Книга адресована программистам и специалистам по data science.

Сегодня машинное обучение – основной практический аппарат для применения искусственного интеллекта. Книга, основанная на стэнфордском учебном курсе, не ограничивается разбором конкретных библиотек, а описывает высокоуровневый подход к разработке систем машинного обучения, который упрощает их поддержку и развитие, позволяет избежать переобучения, искажения результатов. Рассказано, как сделать новую систему машинного обучения или нейронную сеть, надёжной, репрезентативной и расширяемой, а также качественно доработать уже существующие системы. Также показано, как подобрать библиотеки и алгоритмы с учётом имеющегося множества данных и действующих бизнес-требований, конструировать признаки и отслеживать метрики.Книга адресована программистам и специалистам по data science.

Главная задача настоящей книги состоит в том, чтобы предоставить способы применения мощных методов машинного обучения с открытым исходным кодом в крупномасштабных проектах без привлечения дорогостоящих корпоративных решений или больших вычислительных кластеров. Описаны масштабируемое обучение в Scikit-learn, нейронные сети и глубокое обучение с использованием Theano, H2O и TensorFlow. Рассмотрены классификационные и регрессионные деревья, а также обучение без учителя. Охвачены эффективные методы машинного обучения в вычислительной среде MapReduce на платформах Hadoop и Spark на языке Python.

С распространением больших данных растет спрос на вычислительную и алгоритмическую эффективность. Главная задача настоящей книги состоит в том, чтобы предоставить способы применения мощных методов машинного обучения с открытым исходным кодом в крупномасштабных проектах без привлечения дорогостоящих корпоративных решений или больших вычислительных кластеров. Описаны масштабируемое обучение в Scikit-learn, нейронные сети и глубокое обучение с использованием Theano, H2O и TensorFlow. Рассмотрены классификационные и регрессионные деревья, а также обучение без учителя. Охвачены эффективные методы машинного обучения в вычислительной среде MapReduce на платформах Hadoop и Spark на языке Python. С этой книгой вы научитесь: • применять большинство масштабируемых алгоритмов машинного обучения; • работать с новейшими крупномасштабными методами машинного обучения; • увеличивать прогнозную точность при помощи методов глубокого обучения и масштабируемых методов обработки данных; • работать с вычислительной парадигмой Map-Reduce в платформе Spark; • применять эффективные алгоритмы машинного обучения на основе платформ Spark и Hadoop; • создавать мощные ансамбли в крупном масштабе; • использовать потоки данных для обучения линейных и нелинейных прогнозных моделей на чрезвычайно больших наборах данных, используя всего одну машину.

С распространением больших данных растет спрос на вычислительную и алгоритмическую эффективность. Главная задача настоящей книги состоит в том, чтобы предоставить способы применения мощных методов машинного обучения с открытым исходным кодом в крупномасштабных проектах без привлечения дорогостоящих корпоративных решений или больших вычислительных кластеров. Описаны масштабируемое обучение в Scikit-learn, нейронные сети и глубокое обучение с использованием Theano, H2O и TensorFlow. Рассмотрены классификационные и регрессионные деревья, а также обучение без учителя. Охвачены эффективные методы машинного обучения в вычислительной среде MapReduce на платформах Hadoop и Spark на языке Python. С этой книгой вы научитесь: • применять большинство масштабируемых алгоритмов машинного обучения; • работать с новейшими крупномасштабными методами машинного обучения; • увеличивать прогнозную точность при помощи методов глубокого обучения и масштабируемых методов обработки данных; • работать с вычислительной парадигмой Map-Reduce в платформе Spark; • применять эффективные алгоритмы машинного обучения на основе платформ Spark и Hadoop; • создавать мощные ансамбли в крупном масштабе; • использовать потоки данных для обучения линейных и нелинейных прогнозных моделей на чрезвычайно больших наборах данных, используя всего одну машину.

Эта книга научит вас, как создавать интеллектуальные системы от начала до конца и использовать машинное обучение на практике. Вы узнаете, как эффективно применять свои навыки разработки программного обеспечения, науки о данных, машинного обучения и управления проектами. Книга основана на более чем десятилетнем опыте создания интеллектуальных систем, которые обеспечивают сотни миллионов взаимодействий пользователей в день в некоторых из крупнейших и наиболее важных программных систем в мире. Издание будет полезно инженерам-программистам, специалистам по машинному обучению и руководителям проектов, которые хотят создавать и внедрять эффективные интеллектуальные системы.

Ускоритель инференса нейронных сетей Mustang-V100-MX4, с 4 визуальными процессорами (VPU) Intel® Movidius™ Myriad™ X. Высокопроизводительное, масштабируемое и энергоэффективное решение для задач машинного зрения в форм факторе PCIe (x2), совместимое с инструментарием OpenVINO toolkit.

Ускоритель инференса нейронных сетей Mustang-V100-MX4, с 4 визуальными процессорами (VPU) Intel® Movidius™ Myriad™ X. Высокопроизводительное, масштабируемое и энергоэффективное решение для задач машинного зрения в форм факторе PCIe (x2), совместимое с инструментарием OpenVINO toolkit.

ПОЛНОЕ РУКОВОДСТВО ДЛЯ ПОНИМАНИЯ И СОЗДАНИЯ СИСТЕМ МАШИННОГО ОБУЧЕНИЯ С ПОМОЩЬЮ PYTHON.«Машинное обучение с помощью Python для всех» поможет вам овладеть процессами, шаблонами и стратегиями, необходимыми для создания эффективных систем обучения, даже если вы абсолютный новичок. Если вы немного знакомы с написанием кода на Python, эта книга для вас, независимо от того, насколько глубоко вы знаете математику.Мы начнем с понятия машинного обучения и того, что можно сделать с его помощью, введем ключевые математические и вычислительные темы на понятном языке, помогая пройти первые шаги по созданию, обучению и оценке систем. Шаг за шагом вы освоите компоненты практической системы обучения, расширите ваш инструментарий и изучите некоторые из самых сложных и интересных методик. Это руководство полезно для любой системы обучения, которую вы будете использовать.ДОКТОР МАРК Э. ФЕННЕР с 1999 года преподает информатику и математику, работает в области науки о данных. Марк разрабатывал учебные программы для крупных компаний, небольших консалтинговых фирм и научно-исследовательских лабораторий национального уровня. Он имеет степень доктора в области компьютерных наук.Вы научитесь:• Понимать алгоритмы, модели и основные концепции машинного обучения.• Реалистично оценивать производительность систем машинного обучения.• Настраивать производительность системы.• Применять методы машинного обучения к изображениям и тексту.• Взаимодействовать с нейронными сетями и графическими моделями.• Разрабатывать функции для сглаживания данных и придания им полезной формы.• Пользоваться библиотекой Python scikit-learn и другими мощными инструментами.

Полное руководство для понимания и создания систем машинного обучения с помощью Python. "Машинное обучение с помощью Python для всех" поможет вам овладеть процессами, шаблонами и стратегиями, необходимыми для создания эффективных систем обучения, даже если вы абсолютный новичок. Если вы немного знакомы с написанием кода на Python, эта книга для вас, независимо от того, насколько глубоко вы знаете математику. Мы начнем с понятия машинного обучения и того, что можно сделать с его помощью, введем ключевые математические и вычислительные темы на понятном языке, помогая пройти первые шаги по созданию, обучению и оценке систем. Шаг за шагом вы освоите компоненты практической системы обучения, расширите ваш инструментарий и изучите некоторые из самых сложных и интересных методик. Это руководство полезно для любой системы обучения, которую вы будете использовать. Доктор Марк Э. Феннер с 1999 года преподает информатику и математику, работает в области науки о данных. Марк разрабатывал учебные программы для крупных компаний, небольших консалтинговых фирм и научно-исследовательских лабораторий национального уровня. Он имеет степень доктора в области компьютерных наук. Вы научитесь: • Понимать алгоритмы, модели и основные концепции машинного обучения. • Реалистично оценивать производительность систем машинного обучения. • Настраивать производительность системы. • Применять методы машинного обучения к изображениям и тексту. • Взаимодействовать с нейронными сетями и графическими моделями. • Разрабатывать функции для сглаживания данных и придания им полезной формы. • Пользоваться библиотекой Python scikit-learn и другими мощными инструментами.

ПОЛНОЕ РУКОВОДСТВО ДЛЯ ПОНИМАНИЯ И СОЗДАНИЯ СИСТЕМ МАШИННОГО ОБУЧЕНИЯ С ПОМОЩЬЮ PYTHON. «Машинное обучение с помощью Python для всех» поможет вам овладеть процессами, шаблонами и стратегиями, необходимыми для создания эффективных систем обучения, даже если вы абсолютный новичок. Если вы немного знакомы с написанием кода на Python, эта книга для вас, независимо от того, насколько глубоко вы знаете математику. Мы начнем с понятия машинного обучения и того, что можно сделать с его помощью, введем ключевые математические и вычислительные темы на понятном языке, помогая пройти первые шаги по созданию, обучению и оценке систем. Шаг за шагом вы освоите компоненты практической системы обучения, расширите ваш инструментарий и изучите некоторые из самых сложных и интересных методик. Это руководство полезно для любой системы обучения, которую вы будете использовать.ДОКТОР МАРК Э. ФЕННЕР с 1999 года преподает информатику и математику, работает в области науки о данных. Марк разрабатывал учебные программы для крупных компаний, небольших консалтинговых фирм и научно-исследовательских лабораторий национального уровня. Он имеет степень доктора в области компьютерных наук. Вы научитесь: • Понимать алгоритмы, модели и основные концепции машинного обучения. • Реалистично оценивать производительность систем машинного обучения. • Настраивать производительность системы. • Применять методы машинного обучения к изображениям и тексту. • Взаимодействовать с нейронными сетями и графическими моделями. • Разрабатывать функции для сглаживания данных и придания им полезной формы. • Пользоваться библиотекой Python scikit-learn и другими мощными инструментами.

ПОЛНОЕ РУКОВОДСТВО ДЛЯ ПОНИМАНИЯ И СОЗДАНИЯ СИСТЕМ МАШИННОГО ОБУЧЕНИЯ С ПОМОЩЬЮ PYTHON. «Машинное обучение с помощью Python для всех» поможет вам овладеть процессами, шаблонами и стратегиями, необходимыми для создания эффективных систем обучения, даже если вы абсолютный новичок. Если вы немного знакомы с написанием кода на Python, эта книга для вас, независимо от того, насколько глубоко вы знаете математику. Мы начнем с понятия машинного обучения и того, что можно сделать с его помощью, введем ключевые математические и вычислительные темы на понятном языке, помогая пройти первые шаги по созданию, обучению и оценке систем. Шаг за шагом вы освоите компоненты практической системы обучения, расширите ваш инструментарий и изучите некоторые из самых сложных и интересных методик. Это руководство полезно для любой системы обучения, которую вы будете использовать.ДОКТОР МАРК Э. ФЕННЕР с 1999 года преподает информатику и математику, работает в области науки о данных. Марк разрабатывал учебные программы для крупных компаний, небольших консалтинговых фирм и научно-исследовательских лабораторий национального уровня. Он имеет степень доктора в области компьютерных наук. Вы научитесь: • Понимать алгоритмы, модели и основные концепции машинного обучения. • Реалистично оценивать производительность систем машинного обучения. • Настраивать производительность системы. • Применять методы машинного обучения к изображениям и тексту. • Взаимодействовать с нейронными сетями и графическими моделями. • Разрабатывать функции для сглаживания данных и придания им полезной формы. • Пользоваться библиотекой Python scikit-learn и другими мощными инструментами.

Эта книга нацелена на изучение взаимодействия искусственного интеллекта и человека в процессе создания и эксплуатации систем машинного обучения. В отличие от большинства курсов по машинному обучению, сосредоточенных на алгоритмах, большое внимание уделяется работе с данными: их маркировке, аннотированию, проверке и обновлению. Впервые под одной обложкой собраны наиболее распространенные стратегии аннотирования, активного обучения и смежных задач, таких как проектирование интерфейса для аннотирования. Книга предназначена для специалистов по работе с данными, разработчиков программного обеспечения и тех, кто делает первые шаги в работе с машинным обучением.