Praktyczne uczenie nienadzorowane przy użyciu języka Python

Książka autorstwa Ankura Patela zajmuje się nowatorskim tematem, jakim jest budowanie efektywnych systemów uczenia maszynowego z wykorzystaniem nieoznakowanych danych. Uczenie nienadzorowane jest uznawane przez specjalistów za następną znaczącą granicę w rozwoju sztucznej inteligencji. Ponieważ dominująca część globalnych danych jest nieoznakowana i nie nadają się one do tradycyjnego uczenia nadzorowanego, uczenie nienadzorowane staje się kluczowe w odkrywaniu ukrytych wzorców i zależności, które są niewidoczne dla człowieka.

Patel prezentuje praktyczne podejścia do uczenia nienadzorowanego, wykorzystując do tego Scikit-learn oraz TensorFlow z Keras w języku Python. Dzięki załączonym przykładom i kodowi, czytelnicy mogą nauczyć się identyfikować subtelne wzorce, eksponować ukryte zależności w biznesie, wykrywać anomalie oraz tworzyć syntetyczne zbiory danych. W książce pokazane jest, jak podejść do porównywania różnych metod uczenia maszynowego — nadzorowanego, nienadzorowanego i wzmacnianego — oraz jak efektywnie zarządzać projektami w tej dziedzinie.

Wśród szczegółowych zagadnień znajdują się budowa systemów do wykrywania oszustw związanych z kartami kredytowymi, grupowanie użytkowników na podstawie ich cech, a także implementacja uczenia pół-nadzorowanego. Patel ilustruje też zastosowanie rekomendacyjnych systemów filmowych przy użyciu ograniczonych automatów Boltzmanna oraz generowanie sztucznych obrazów za pomocą generatywnych sieci antagonistycznych.

Książka ta jest szczególnie użyteczna dla badaczy, inżynierów oraz studentów zainteresowanych praktycznymi rozwiązaniami w zakresie uczenia nienadzorowanego. Czytelnicy docenią przejrzystość języka oraz czytelne przykłady, które umożliwiają szybkie wdrożenie omawianych koncepcji. Sarah Nagy, główny analityk danych w Edison, poleca tę lekturę. Autor, Ankur A. Patel, pełni funkcję wiceprezesa ds. informatyki analitycznej w firmie 7Park Data, gdzie kieruje zespołem zajmującym się tworzeniem zaawansowanych produktów danych i rozwijaniem usług z zakresu uczenia maszynowego.