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