Data Science i uczenie maszynowe

W XXI wieku sztuczna inteligencja stała się nieodłącznym elementem naszego codziennego życia. Nie ogranicza się ona jedynie do zaawansowanych systemów, takich jak autonomiczne pojazdy czy narzędzia tłumaczące języki naturalne, ale obejmuje także AI o bardziej uniwersalnym zastosowaniu, zdolną do rozwiązywania problemów z różnych dziedzin. Tego przełomowego momentu w historii technologii nie byłoby bez połączenia trzech kluczowych elementów: nowoczesnych technologii przetwarzania i przechowywania danych, rozwoju nauki o danych oraz innowacji w dziedzinie uczenia maszynowego, zwłaszcza w kontekście głębokiego uczenia.

Książka, którą tu omawiamy, skupia się na praktycznym zastosowaniu technik uczenia maszynowego. Poprzez rzeczywiste eksperymenty z obszaru data science, czytelnik pozna, jak zastosować reguły statystyczne oraz algorytmy w codziennych problemach. Taki praktyczny przewodnik jest idealny dla studentów informatyki i profesjonalistów, takich jak analitycy czy specjaliści IT, którzy pragną nie tylko zrozumieć teorię, ale także zdobyć umiejętności przydatne w ich codziennej pracy.

Książka składa się z czterech głównych części. Początkowy rozdział wprowadza terminologię data science i ilustruje jej praktyczne zastosowania w eksperymentach naukowych. Kolejne rozdziały od drugiego do czwartego koncentrują się na danych, omawiając techniki ich oceny, wstępnego przygotowania oraz wzbogacania w celu efektywnej analizy. W rozdziałach od piątego do dziewiątego opisano różne typy modeli predykcyjnych, w tym klasyfikatory, regresory, modele grupujące, rekomendujące i prognozujące. Ostatnie dwa rozdziały skupiają się na metodach oceny modeli oraz ich optymalizacji, a także na udostępnianiu ich jako usług w sieci WWW.