Грокаем машинное обучение

Машинное обучение — это набор методов анализа данных, основанных на алгоритмах, которые дают все более точные результаты по мере поступления новых данных. Машинное обучение лежит в основе систем рекомендаций, программ распознавания лиц, «умных» колонок и даже беспилотных автомобилей. Эта уникальная книга объясняет основные понятия машинного обучения на простых и доступных примерах, увлекательных упражнениях и запоминающихся иллюстрациях. Здесь нет зубодробительного академического жаргона, для по...

Рейтинг LiveLib

4,0

7 оценок

5
43%
4
43%
3
0%
2
14%
1
0%

Ваша оценка

Прочитали 7Хотят прочитать 26

Рецензии

Аноним7 апреля 2025 г.
Для начала самое то
Мне нравится серия Грокаем. Эмоции от прочтения этой немного смешанные, но в целом она мне понравилась. Как первая книги в ML думаю подходит.
Читал я ее с минимальным бекграундом в ML. Знал только что такое линейная регрессия. В математике я тоже не особо хорош, значки интеграла и производных не пугают, но если будет их очень много, то уже страшно. Я это к тому, чтобы вы понимали мой уровень и могли сопоставить со своим, чтобы понять - подойдет она вам или нет.

Плюсы книги: много тем, много разрабранных моделей. Есть и про чистку данных, и про переобучение. Все описано достаточно просто, но вот послдение главы уже душат математикой... Надо быть морально готовым к этому. Есть картинки, схемки - в общем как и во всех книгах Грокаем. Есть и теория и практика. Стандартная глава построена так: 70% как работает алгоритм, 30% пишем алгоритм на питоне без либ.
Минусы: ОПЕЧАТКИ И ОШИБКИ. Я не знаю, есть ли они в оригинале, но ошибок в коде немеренно... То отступов нет, то вообще части кода нет и нужно лезть в гитхаб. Это очень портит общее впечатление.

Итого: как первая книги по ML как будто норм. Она дает базовое представление о том, что такое вообще этот ML.
Читать далее
4
75
Аноним28 декабря 2024 г.
Хорошая книга для старта
Скажу честно, не являюсь специалистом в области AI, но для расширения кругозора взялся за эту книгу. Основной моей целью было - понять как работает машинное обучение, какие есть метрики и главное как можно хотя бы приблизительно понять: как это работает. Уже долгое время процесс разработки для бизнеса не является таким уж «черным ящиком», есть этапы: бизнес-требования, демо, дизайн-ревью, во время которых бизнес может повлиять на разработку (оставим за скобками: хорошо или плохо). Пот сталкивании с машинным обучением, бизнес обычно слышит: мы сделали хорошую модель, пользуйтесь. Что значит хорошая модель? Кто принял решение, что она хорошая? Какие были финалисты в моделях? Какие критерии приемки ? Такого я не разу не видел на демо. Чтобы в будущем задать эти вопросы, нужно было понять природу работы, для этого и изучил. Пока на практике не применил знания, но по данной теме провел внутри команды воркшоп, чтобы еще лучше разобраться в теме.
теперь по книге, понравилось: иллюстрации, понятные примеры. Не понравилось: это субъективно, есть в уравнениях штрихи (например, у со штрихом), по мне лучше и понятнее назвать другой буквой переменную или параметр.
Читать далее
2
45