Незаменимый справочник по ML
Удивительно, но попытка уместить в 100 страниц (на самом деле, чуть больше) выжимку из основных технологий машинного обучения увенчалась успехом.
Большое преимущество книги в том, что все описано подробно и ясно, "настолько просто, насколько вообще возможно, но не проще этого".
Блестяще описаны теоретические аспекты, такие, как, например, архитектура нейронных сетей, метрики качества моделей, постановки распространенных задач оптимизации, процедура градиентного спуска (которая снабжена кодом для реализации на Python, что полезно для понимания), и многое другое.
Практические аспекты тоже подробно рассмотрены: критерии выбора алгоритма в зависимости от поставленной задачи, решение проблемы несбалансированности, обработка данных (нормализация, стандартизация, пропуски и аномальные значения), создание новых признаков на основе имеющихся, и т.д.
Прочтение этой книги, во-первых, структурирует информацию по машинному обучению в единое целое, а во-вторых экономит время (много времени), предлагая решения часто встречающихся на практике проблем.
Однозначно не раз буду возвращаться к этой книге в будущем.
1 понравилось
