Apprendimento automatico in produzione: Sviluppare e ottimizzare i flussi di lavoro e le applicazioni della scienza dei dati

Recensioni dei lettori

Il libro viene criticato per essere eccessivamente semplicistico e per la mancanza di dettagli essenziali per i lettori interessati all'apprendimento automatico. Non fornisce informazioni adeguate, struttura e guida pratica per l'applicazione dei concetti di apprendimento automatico in scenari reali.

Il libro potrebbe servire come introduzione di base per i principianti assoluti che non sanno nulla di machine learning.

È eccessivamente abbreviato, manca di un indice e di un sommario e non fornisce indicazioni significative sulle applicazioni pratiche dell'apprendimento automatico. Molti lettori ritengono che non valga la pena di acquistarlo e che si tratti piuttosto di un'opera di promozione del curriculum degli autori.

(basato su 2 recensioni dei lettori)

Titolo originale:

Machine Learning in Production: Developing and Optimizing Data Science Workflows and Applications

Contenuto del libro:

Competenze pratiche fondamentali per avere successo con progetti reali di scienza dei dati.

Machine Learning in Production" è un corso accelerato di scienza dei dati e apprendimento automatico per chi deve risolvere problemi reali e non ha una formazione formale approfondita. Scritto per "scienziati dei dati accidentali" con curiosità, ambizione e capacità tecniche, questa introduzione completa e rigorosa pone l'accento sulla pratica, non sulla teoria.

Basandosi sui principi dell'agilità, Andrew e Adam Kelleher mostrano come fornire rapidamente un valore significativo, resistendo a strumenti troppo pubblicizzati e a inutili complessità. Attingendo alla loro vasta esperienza, vi aiutano a porre domande utili e a realizzare progetti tipici dall'inizio alla fine.

Gli autori mostrano quante informazioni si possono ottenere con query, aggregazioni e visualizzazioni semplici e insegnano metodi di analisi degli errori indispensabili per evitare errori costosi. Gli autori si occupano di tecniche di apprendimento automatico come la regressione lineare, la classificazione, il clustering e l'inferenza bayesiana. Spiegano inoltre l'hardware e il software della scienza dei dati e come progettare sistemi che massimizzino le prestazioni nonostante i vincoli.

Gli autori si concentrano sempre su ciò che conta: risolvere i problemi che offrono il massimo ritorno sull'investimento, utilizzando gli approcci più semplici e a basso rischio che funzionano.

⬤ Sfruttano i principi dell'agilità per mantenere l'ambito del progetto ridotto e lo sviluppo efficiente.

⬤ Iniziare con semplici euristiche e migliorarle man mano che la pipeline di dati matura.

⬤ Evitare conclusioni sbagliate implementando tecniche di analisi degli errori fondamentali.

⬤ Comunicare i risultati con tecniche di base di visualizzazione dei dati.

⬤ Padroneggiare le tecniche di apprendimento automatico di base, a partire dalla regressione lineare e dalle foreste casuali.

⬤ Eseguire la classificazione e il clustering su dati vettoriali e grafici.

⬤ Padroneggiare le reti bayesiane e utilizzarle per comprendere l'inferenza causale.

⬤ Esplorare l'overfitting, la capacità del modello e altre tecniche avanzate di apprendimento automatico.

⬤ Prendere decisioni architettoniche informate su archiviazione, trasferimento dei dati, calcolo e comunicazione.