ДМК-Пресс Инженерия машинного обучения Бурков Андрей

Машинное обучение - один из самых быстро развивающихся разделов информатики с приложениями в самых разных областях. Цель этой книги - познакомить читателя с фундаментальными принципами машинного обучения и характерными для него алгоритмическими парадигмами. Книга содержит обширный свод основополагающих теоретических идей машинного обучения и математические выкладки, благодаря которым эти идеи становятся практическими алгоритмами. Вслед за изложением базовых основ дисциплины рассматривается широкий спектр тем, не нашедших достаточного отражения в предшествующих учебниках: вычислительная сложность обучения, понятия выпуклости и устойчивости, важные алгоритмы, включая стохастический градиентный спуск, нейронные сети и обучение структурированному выводу, а также совсем недавние теоретические концепции, например, РАС-байесовский подход и границы сжатия

С распространением больших данных растет спрос на вычислительную и алгоритмическую эффективность. Главная задача настоящей книги состоит в том, чтобы предоставить способы применения мощных методов машинного обучения с открытым исходным кодом в крупномасштабных проектах без привлечения дорогостоящих корпоративных решений или больших вычислительных кластеров. Описаны масштабируемое обучение в Scikit-learn, нейронные сети и глубокое обучение с использованием Theano, H2O и TensorFlow. Рассмотрены классификационные и регрессионные деревья, а также обучение без учителя. Охвачены эффективные методы машинного обучения в вычислительной среде MapReduce на платформах Hadoop и Spark на языке Python • С этой книгой вы научитесь • применять большинство масштабируемых алгоритмов машинного обучения • работать с новейшими крупномасштабными методами машинного обучения • увеличивать прогнозную точность при помощи методов глубокого обучения и масштабируемых методов обработки данных • работать с вычислительной парадигмой Map-Reduce в платформе Spark • применять эффективные алгоритмы машинного обучения на основе платформ Spark и Hadoop • создавать мощные ансамбли в крупном масштабе • использовать потоки данных для обучения линейных и нелинейных прогнозных моделей на чрезвычайно больших наборах данных, используя всего одну машину

Данный классический труд содержит обстоятельное современное введение в машинное обучение (включая глубокое обучение), рассматриваемое сквозь объединяющую призму вероятностного моделирования и байесовской теории принятия решений. Включен базовый математический аппарат (в т. ч. элементы линейной алгебры и теории оптимизации), основы обучения с учителем (включая линейную и логистическую регрессию и глубокие нейронные сети), а также более сложные темы (в т. ч. перенос обучения и обучение без учителя). Упражнения в конце глав помогут читателям применить полученные знания, а в приложении имеется сводка используемых обозначений • В основу издания легла вышедшая в 2012 году книга Кэвина Мэрфи "Machine Learning: A Probabilistic Perspective". Однако это совершенно новая работа, отражающая многие достижения, случившиеся в этой области за последние 10 лет

Первые издания этого замечательного руководства давно стали настольной книгой по инженерии требований для специалистов, а также преподавателей колледжей и университетов по всему миру. Книга помогла многочисленным читателям разобраться в принципах и практиках современной инженерии требований, дала им знания, умения и навыки, необходимые для создания как традиционных технических, так и сложных программных систем. Книга написана британскими специалистами по инженерии требований. В основе изложения лежит использование обобщенного типового процесса инженерии требований. Такой подход позволяет читателю глубже понять сущность инженерии требований и её ключевую роль в общем процессе системной инженерии. Используя результаты, полученные в науке и промышленности за последние годы, третье издание этой популярной книги предоставляет полезную для инженеров информацию о том, как описывать и структурировать требования к системам различной природы и назначения

Данная книга представляет собой краткий учебный курс для школьников и студентов по машинному зрению и цифровой обработки изображений в среде визуального программирования LabVIEW с использованием библиотеки IMAQ Vision. Рассматриваются основные аспекты получения, хранения, обработки и анализа цифровых изображений, а также автоматического выделения и распознавания на изображениях различного рода объектов • Приводятся многочисленные примеры практических приложений машинного и компьютерного зрения в таких областях, как автоматизация измерений и технический контроль, видеонаблюдение, биометрия, обработка документов, медицинские приложения

Путешествия во времени – нарушение законов природы или непознанная сторона реальности? Книга, которую вы держите в руках, предлагает сугубо научную трактовку этого процесса, а попутно ставит перед читателем ряд философско-этических вопросов, основной из которых формулируется так: «Властен ли человек над временем?» • Темы, рассматриваемые в книге • - история вопроса: философы vs ученые • - однонаправленно ли время • - пространство-время как единая категория • - путешествия во времени и расщепление Вселенных • - как передать сигнал в прошлое • - движение со сверхсветовой скоростью • - время и гравитация • - «в стадии разработки»: научные описания машины времени

Откройте для себя шаблоны конструирования и воспроизводимые архитектуры, которые направят ваши проекты глубокого обучения от стадии разработки к реализации • В книге рассматриваются актуальные примеры создания приложений глубокого обучения с учетом десятилетнего опыта работы автора в этой области. Вы сэкономите часы проб и ошибок, воспользовавшись представленными здесь шаблонами и приемами. Проверенные методики, образцы исходного кода и блестящий стиль повествования позволят с увлечением освоить даже непростые навыки. По мере чтения вы получите советы по развертыванию, тестированию и техническому сопровождению ваших проектов • Издание предназначено для инженеров машинного обучения, знакомых с Python и глубоким обучением

Эта книга научит вас, как создавать интеллектуальные системы от начала до конца и использовать машинное обучение на практике. Вы узнаете, как эффективно применять свои навыки разработки программного обеспечения, науки о данных, машинного обучения и управления проектами • Книга основана на более чем десятилетнем опыте создания интеллектуальных систем, которые обеспечивают сотни миллионов взаимодействий пользователей в день в некоторых из крупнейших и наиболее важных программных систем в мире • Издание будет полезно инженерам-программистам, специалистам по машинному обучению и руководителям проектов, которые хотят создавать и внедрять эффективные интеллектуальные системы

Данная книга поможет программистам на Python, инженерам и исследователям данных научиться применять фреймворк распределенных вычислений с открытым исходным кодом Ray и разворачивать вычислительные кластеры Ray. Ray может использоваться для структурирования и выполнения крупномасштабных программ машинного обучения. Распределенные вычисления отличаются своей сложностью, но с помощью Ray вы легко приступите к работе • Прочитав книгу, вы научитесь • - создавать свои первые распределенные приложения с помощью ядра фреймворка – Ray Core • - оптимизировать гиперпараметры с помощью библиотеки Ray Tune • - применять библиотеку Ray RLlib для обучения с подкреплением • - управлять распределенной тренировкой моделей с помощью библиотеки Ray Train • - применять Ray для обработки данных с помощью библиотеки Ray Data • - работать с кластерами Ray и подачей моделей в качестве служб с помощью библиотеки Ray Serve • - создавать сквозные приложения машинного обучения с помощью инструментария Ray AIR

В настоящее время компании тратят миллиарды долларов на проекты машинного обучения (МО), но эти средства могут быть потрачены впустую, если при этом не используется эффективное развертывание моделей МО. Перед вами практическое руководство, написанное Х. Хапке и К. Нельсон, с которым вы смело можете отправляться в путь по всем этапам автоматизации конвейера МО, построенного на основе экосистемы TensorFlow. Вы познакомитесь с методами и инструментами, которые существенно сократят время развертывания (с нескольких дней до нескольких минут), чтобы вы могли сосредоточиться на разработке новых моделей, а не на поддержке устаревших систем. Специалисты по анализу данных, инженеры по МО и инженеры DevOps узнают, как выйти за рамки простой разработки моделей и успешно реализовать свои проекты в области науки о данных, а менеджеры лучше поймут, как можно существенно сократить сроки, необходимые для реализации подобных проектов

Если вы интересуетесь машинным обучением (Machine Learning) и глубоким обучением (Deep Learning), то этот двухтомник для вас • Эта книга не похожа на большинство других учебников и руководств по глубокому обучению – в ней нет ни детального алгоритмического анализа, сопровождаемого обширной математикой, ни развернутых листингов программного кода. Автор выбрал золотую середину - благодаря дружелюбному подходу, сопровождаемому огромным количеством цветных иллюстраций, а также детальному и скрупулезному описанию, он глубоко освещает основополагающие идеи глубокого обучения и нейронных сетей • Второй том посвящен нейронным сетях – быстро развивающемуся направлению машинного обучения. В первом томе, вышедшем в издательстве «ДМК Пресс» ранее, изложены фундаментальные основы глубокого обучения

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