Данные – это новая нефть, а машинное обучение – мощная концепция и основа для извлечения из них максимальной пользы. В наш век автоматизации и интеллектуальных систем неудивительно, что машинное обучение и наука о данных являются одними из самых модных слов. Огромный интерес и возобновление инвестиций в область науки о данных во всех отраслях, предприятиях и областях являются четкими показателями ее огромного потенциала. Интеллектуальные системы и организации, управляемые данными, становятся реальностью, а достижения в инструментах и методах только помогают этому расширяться. Поскольку данные имеют первостепенное значение, никогда не было такого высокого спроса на специалистов по машинному обучению и науке о данных, как сейчас. Действительно, мир сталкивается с нехваткой специалистов по обработке данных. Ее назвали «Самой сексуальной профессией 21 века», что делает еще более целесообразным попытаться накопить ценный опыт в этой области. Практическое машинное обучение с помощью Python — это руководство для решения проблем по созданию реальных интеллектуальных систем. Он следует комплексному трехуровневому подходу, наполненному концепциями, методологиями, практическими примерами и кодом. Эта книга помогает читателям овладеть основными навыками, необходимыми для распознавания и решения сложных проблем с помощью машинного обучения и глубокого обучения, следуя мышлению, основанному на данных. Эта книга, основанная на реальных примерах использования популярной экосистемы машинного обучения Python, станет вашим идеальным помощником в изучении искусства и науки машинного обучения, чтобы стать успешным практиком. Концепции, методы, инструменты, структуры и методологии, использованные в этой книге, научат вас успешно думать, проектировать, создавать и реализовывать системы и проекты машинного обучения. Эта книга познакомит вас с способами использования экосистемы машинного обучения Python с ее разнообразным набором фреймворков и библиотек. Трехуровневый подход этой книги начинается с сосредоточения внимания на создании прочной основы вокруг основ машинного обучения и соответствующих инструментов и инфраструктур, в следующей части особое внимание уделяется основным процессам построения конвейеров машинного обучения, а в последней части эти знания используются для решения некоторые реальные примеры из различных областей, включая розничную торговлю, транспорт, кино, музыку, компьютерное зрение, искусство и финансы. Мы также охватываем широкий спектр моделей машинного обучения, включая регрессию, классификацию, прогнозирование, анализ правил и кластеризацию. В этой книге также затрагиваются передовые методологии и исследования в области глубокого обучения, включая такие концепции, как трансферное обучение и тематические исследования, имеющие отношение к компьютерному зрению, включая классификацию изображений и передачу нейронных стилей. Каждая глава состоит из подробных концепций с полными практическими примерами, кодом и подробными обсуждениями. Основная цель этой книги — предоставить широкому кругу читателей, включая ИТ-специалистов, аналитиков, разработчиков, специалистов по обработке данных, инженеров и аспирантов, структурированный подход к приобретению необходимых навыков, связанных с машинным обучением, и достаточных знаний об использовании государственных технологий. новейшие методы и платформы машинного обучения, чтобы они могли начать решать свои собственные реальные проблемы. Эта книга ориентирована на приложения, поэтому она не заменяет глубокие концептуальные и теоретические знания об алгоритмах, методах машинного обучения и их внутренних реализациях. Мы настоятельно рекомендуем вам дополнить практические знания, полученные из этой книги, некоторыми стандартными книгами по интеллектуальному анализу данных, статистическому анализу и теоретическим аспектам алгоритмов и методов машинного обучения, чтобы глубже понять мир машинного обучения.