Avis des lecteurs
Résumé:On reproche à ce livre d'être trop simpliste et de manquer de détails essentiels pour les lecteurs intéressés par l'apprentissage automatique. Il ne fournit pas les informations, la structure et les conseils pratiques adéquats pour appliquer les concepts de l'apprentissage automatique dans des scénarios du monde réel.
Avantages:Le livre peut servir d'introduction très basique pour les débutants absolus qui ne connaissent rien à l'apprentissage automatique.
Inconvénients:Il est trop abrégé, ne comporte pas de table des matières ni d'index, et ne fournit pas d'indications significatives sur les applications pratiques de l'apprentissage automatique. De nombreux lecteurs estiment qu'il ne vaut pas la peine d'être acheté et qu'il s'agit plutôt d'un moyen de renforcer le CV des auteurs.
(basé sur 2 avis de lecteurs)
Titre original :
Machine Learning in Production: Developing and Optimizing Data Science Workflows and Applications
Contenu du livre :
Compétences pratiques fondamentales pour réussir de vrais projets de science des données.
Machine Learning in Production est un cours accéléré sur la science des données et l'apprentissage automatique destiné aux personnes qui doivent résoudre des problèmes réels et qui n'ont pas reçu de formation formelle approfondie. Rédigée pour les "scientifiques de données accidentels" qui ont de la curiosité, de l'ambition et des compétences techniques, cette introduction complète et rigoureuse met l'accent sur la pratique, et non sur la théorie.
S'appuyant sur les principes agiles, Andrew et Adam Kelleher montrent comment apporter rapidement une valeur ajoutée significative, en résistant aux outils surestimés et à la complexité inutile. S'appuyant sur leur vaste expérience, ils vous aident à poser des questions utiles, puis à exécuter des projets typiques du début à la fin.
Les auteurs montrent la quantité d'informations que vous pouvez glaner avec des requêtes, des agrégations et des visualisations simples, et ils enseignent des méthodes d'analyse d'erreurs indispensables pour éviter des erreurs coûteuses. Ils abordent des techniques d'apprentissage automatique incontournables telles que la régression linéaire, la classification, le regroupement et l'inférence bayésienne. Ils expliquent également le matériel et les logiciels de la science des données et la manière d'architecturer des systèmes qui maximisent les performances malgré les contraintes.
Les auteurs se concentrent toujours sur l'essentiel : résoudre les problèmes qui offrent le meilleur retour sur investissement, en utilisant les approches les plus simples et les moins risquées qui fonctionnent.
⬤ Exploiter les principes agiles pour limiter la portée du projet et rendre le développement efficace.
⬤ Commencez par des heuristiques simples et améliorez-les au fur et à mesure de la maturation de votre pipeline de données.
⬤ Éviter les mauvaises conclusions en mettant en œuvre des techniques fondamentales d'analyse des erreurs.
⬤ Communiquer vos résultats à l'aide de techniques de visualisation de données de base.
⬤ Maîtriser les techniques de base de l'apprentissage automatique, en commençant par la régression linéaire et les forêts aléatoires.
⬤ Effectuer des classifications et des regroupements sur des données vectorielles et graphiques.
⬤ Maîtriser les réseaux bayésiens et les utiliser pour comprendre l'inférence causale.
⬤ Explorer le surajustement, la capacité des modèles et d'autres techniques avancées d'apprentissage automatique.
⬤ Prendre des décisions architecturales éclairées en matière de stockage, de transfert de données, de calcul et de communication.
Autres informations sur le livre :
| ISBN : | 9780134116549 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2019 |
| Nombre de pages : | 288 |
Achat:
Actuellement disponible, en stock.
