Menu

Praktyczne uczenie maszynowe - Marcin Szeliga (opr. miękka)

Cechy produktu

  • ISBN 9788301207625 
  • Oprawa miękka 
  • Autor Szeliga Marcin 
  • Wydawnictwo Wydawnictwo Naukowe Pwn 
  • Ilość stron 468 
  • Rok wydania 2019 

Opis

Ostatnia dekada to czas bezprecedensowego rozwoju sztucznej inteligencji - nie tylko bezprecedensowych badań nad algorytmami uczenia maszynowego,jeszcze coraz powszechniejszego używania inteligentnych urządzeń w rozmaitych dziedzinach naszego życia. Rozwój ten ogranicza niewystarczająca liczba specjalistów, łączących znajomość modelowania informacji (przygotowania danych i zasad działania algorytmów uczenia maszynowego) ze znajomością języków analizy danych, takich jak SQL, R czy Python.
Inżynieria danych (ang. Data science) to interdyscyplinarna wiedza, której opanowanie wymaga znajomości algebry, geometrii, statystyki, rachunku prawdopodobieństwa i algorytmiki, uzupełnionej o użyteczną umiejętność programowania. Co więcej, sztuczna inteligencja jest przedmiotem intensywnych badań naukowych i samo śledzenie postępów w tej dziedzinie zespala się z regularnym (powszednim) dokształcaniem.
Niniejsza książka łączy w sobie teorię z praktyką. Opisuje rozwiązania kilkunastu typowych problemów, takich jak prognozowanie zysków, optymalizacja kampanii marketingowej, proaktywna konserwacja sprzętu czy oceny ryzyka kredytowego. Ich układ jest celowy - każdy przykład jest okazją do wyjaśnienia określonych zagadnień, zaczynając od narzędzi, przez podstawy uczenia maszynowego, sposoby oceny jakości informacji i ich przygotowania do dalszej analizy, zasady tworzenia modeli uczenia maszynowego i ich optymalizacji, po wskazówki dotyczące wdrożenia gotowych modeli do produkcji.
Książka jest adresowana do wszelkich, którzy chcieliby poznać lub udoskonalić:
praktyczną znajomość statystki i umiejętność wizualizacji informacji potrzebnej do oceny jakości informacji; użyteczną znajomość języka SQL, R lub Python koniecznej do uporządkowania, wstępnego przygotowania i wzbogacenia danych; zasady działania poszczególnych algorytmów uczenia maszynowego potrzebnych do ich wyboru i optymalizacji; korzystanie z języka R albo Python do stworzenia, oceny, zoptymalizowania i wdrożenia do produkcji modeli eksploracji danych. Jednocześnie studenci kierunków informatycznych, jak dodatkowo analitycy, programiści, administratorzy baz oraz statystycy znajdą w książce informacje, które pozwolą im opanować ergonomiczne umiejętności potrzebne do samodzielnego tworzenia systemów uczenia maszynowego.

Opinie - 0 opinii

+ Dodaj opinie

Strona korzysta z plików cookies w celu realizacji usług i zgodnie z Polityką prywatności. Możesz określić warunki przechowywania lub dostępu do plików cookies w Twojej przeglądarce.