Все, что вам действительно нужно знать о машинном обучении, может уместиться на паре сотен страниц.
Начнем с простой истины: машины не учатся. Типичное машинное обучение заключается в поиске математической формулы, которая при применении к набору входных данных (называемых обучающими данными) даст желаемые результаты.
Андрей Бурков постарался дать все необходимое, чтобы каждый мог стать отличным современным аналитиком или специалистом по машинному обучению. То, что удалось вместить в пару сотен страниц, в других книгах растянуто на тысячи. Типичные книги по машинному обучению консервативны и академичны, здесь же упор сделан на алгоритмах и методах, которые пригодятся в повседневной работе.
Author(s): Андрей Бурков
Series: Библиотека программиста
Edition: 1
Publisher: Питер
Year: 2020
Language: Russian
Commentary: Vector PDF
Pages: 192
City: СПб.
Tags: Machine Learning; Neural Networks; Deep Learning; Unsupervised Learning; Supervised Learning
Предисловие к русскому изданию
Предисловие из оригинального издания
Вступление
Кому адресована эта книга
От издательства
Глава 1. Введение
1.1. Что такое машинное обучение
1.2. Типы обучения
1.3. Как работает обучение с учителем
1.4. Почему модель способна работать с новыми данными
Глава 2. Обозначения и определения
2.1. Обозначения
2.2. Случайная величина
2.3. Несмещенные оценки
2.4. Правило Байеса
2.5. Оценка параметров
2.6. Параметры и гиперпараметры
2.7. Классификация и регрессия
2.8. Обучение на основе моделей и на основе примеров
2.9. Поверхностное и глубокое обучение
Глава 3. Фундаментальные алгоритмы
3.1. Линейная регрессия
3.2. Логистическая регрессия
3.3. Обучение дерева решений
3.4. Метод опорных векторов
3.5. Метод k ближайших соседей
Глава 4. Анатомия алгоритмов обучения
4.1. Строительные блоки алгоритмов обучения
4.2. Градиентный спуск
4.3. Как работают инженеры, занимающиеся машинным обучением
4.4. Особенности алгоритмов обучения
Глава 5. Практические основы
5.1. Проектирование признаков
5.2. Выбор алгоритма обучения
5.3. Три набора
5.4. Недообучение и переобучение
5.5. Регуляризация
5.6. Оценка эффективности модели
5.7. Настройка гиперпараметров
Глава 6. Нейронные сети и глубокое обучение
6.1. Нейронные сети
6.2. Глубокое обучение
Глава 7. Проблемы и решения
7.1. Ядерная регрессия
7.2. Многоклассовая классификация
7.3. Одноклассовая классификация
7.4. Классификация с многими метками
7.5. Обучение ансамбля
7.6. Обучение маркировке последовательностей
7.7. Обучение преобразованию последовательностей в последовательности
7.8. Активное обучение
7.9. Обучение с частичным привлечением учителя
7.10. Обучение с первого раза
7.11. Обучение без подготовки
Глава 8. Продвинутые методики
8.1. Работа с несбалансированными наборами данных
8.2. Объединение моделей
8.3. Обучение нейронных сетей
8.4. Продвинутая регуляризация
8.5. Обработка нескольких входов
8.6. Обработка нескольких выходов
8.7. Перенос обучения
8.8. Эффективность алгоритмов
Глава 9. Обучение без учителя
9.1. Оценка плотности
9.2. Кластеризация
9.3. Сокращение размерности
9.4. Обнаружение аномалий
Глава 10. Другие формы обучения
10.1. Определение метрик
10.2. Определение ранга
10.3. Обучение делать рекомендации
10.4. Самообучение с учителем: вложения слов
Глава 11. Заключение
11.1. Что не было затронуто
11.2. Благодарности
Алфавитный указатель
