Книги по машинному обучению – создание и понимание систем ML

0
343
views
python logo

Хочешь знать больше о Python?

Подпишись на наш канал о Python в Telegram!

×

Перевод статьи «Machine Learning Systems Book Recommendations – Learn How to Build and Understand ML Systems» от Harshit Tyagi.

Photo by Thought Catalog on Unsplash

Хорошие друзья, хорошие книги и спящая совесть – вот рецепт идеальной жизни

Марк Твен

Надеюсь, что вы читаете этот пост, готовясь ко сну и предвкушая безмятежные выходные.

В последнее время я работаю над несколькими проектами: от создания курсов по Machine Learning до разработки полноценных систем машинного обучения. И я заметил, что в большинстве случаев я либо возвращаюсь к уже прочитанной книге, либо успеваю лишь поверхностно ознакомиться с новой.

Я хочу поделиться с вами книгами, которые, по моему мнению, следует прочитать каждому энтузиасту ML, чтобы почувствовать глубину этой области.

От редакции Techrocks: также рекомендуем статью «Книги 2020 года по машинному обучению и Data Science».

Это краткий список, покрывающий большинство тем из машинного обучения. Он будет полезен как для новичков, так и для программистов среднего уровня, которые хотят познать все тонкости построения систем машинного обучения.

1. Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow

Автор: Aurélien Géron

Эта книга — настоящее произведение искусства. Рекомендую не только прочитать её, но и написать по ней код.

Книга разделена на две части: первая посвящена фундаментальным понятиям машинного обучения и рассказывает об основных алгоритмах классического ML. В ней задействовано достаточное количество математики и кода на Python, чтобы начать разрабатывать модели.

Вторая часть фокусируется на нейронных сетях и глубоком обучении.

Я прочитал всю эту книгу, а некоторые главы, возможно, дважды или даже трижды, чтобы правильно понять идею и выполнить упражнения.

Чтение займёт: 2-3 дня (может, больше), если отводить на активное изучение каждого раздела 2-3 часа.

2. Machine Learning Engineering

Автор: Andriy Burkov

Ещё один шедевр от Андрея. Книга объясняет каждую фазу жизненного цикла систем ML. Это лаконичное и завершённое пособие для любого, кто хочет создавать масштабируемые приложения с использованием ML.

Эта книга представляет собой сборник инженерных задач и лучших практик работы с ML в продакшене. Андрей объясняет, как следует планировать проект, почему он может потерпеть неудачу и как следует подходить к каждому шагу проектирования. Вот разделы книги:

  • Перед началом проекта
  • Сбор и подготовка данных
  • Feature Engineering
  • Обучение модели с учителем
  • Оценивание модели
  • Деплоинг модели
  • Мониторинг, обслуживание и поддержка модели

Первая книга этого автора “Машинное обучение без лишних слов” имела огромный успех, и то же самое можно сказать об этой.

3. Practical Deep Learning for Cloud, Mobile, and Edge

Авторы: Anirudh Koul, Siddha Ganju, и Meher Kasam

При написании книги авторы придерживались принципа обучения на практике. Это практическое руководство по созданию приложений с глубоким обучением для облака, мобильных и периферийных устройств. В данный момент я сам читаю эту книгу и удивляюсь, как я раньше на неё не наткнулся.

Каждая часть подробно расскажет вам о том, как строится приложение. Каждое такое приложение будет использовать определённую подобласть глубокого обучения, по-своему подавать информацию или предлагать новые техники для оптимизации экспериментов в TensorFlow.

Эта книга обязательна к прочтению для людей, уже знакомых с deep learning. Она поможет глубже погрузиться в эту область и учиться, попутно создавая крутые проекты.

4 . Building Machine Learning Pipelines

Авторы: Hannes Hapke и Catherine Nelson

Прочитав ряд исследований о том, как организации вроде Spotify и Airbnb используют TF Extended для улучшения своих ML-платформ, я начал изучать TFX. Он может очень пригодиться для оптимизации ваших пайплайнов.

Данная книга объясняет, как строить ML-пайплайны, от передачи данных в модель до оркестрирования с использованием Airflow или Kubeflow. TFX наряду с TF предлагает инструменты для каждого шага в этом процессе.

Книга подойдёт для продвинутых читателей: к ней лучше приступить только после прочтения первых двух из списка.

Спасибо за внимание!

Не хочу пугать вас большими списками рандомных книг по ML, так что на этом всё!

ОСТАВЬТЕ ОТВЕТ

Please enter your comment!
Please enter your name here