Дані — це нова нафта, а машинне навчання — потужна концепція та основа для того, щоб отримати від них найкраще. У цю епоху автоматизації та інтелектуальних систем не дивно, що машинне навчання та наука про дані є одними з найпопулярніших слів. Величезний інтерес і відновлення інвестицій у сферу Data Science в різних галузях, на підприємствах і в сферах є чіткими показниками її величезного потенціалу. Інтелектуальні системи та організації, що керуються даними, стають реальністю, а прогрес у інструментах і техніках лише сприяє подальшому розширенню. Оскільки дані мають першочергове значення, попит на фахівців з машинного навчання та науки про дані ніколи не був таким високим, як зараз. Дійсно, світ стикається з дефіцитом науковців із обробки даних. Її назвали «найсексуальнішою роботою в 21 столітті», що робить ще більш доцільним спробувати набути цінного досвіду в цій галузі. Practical Machine Learning with Python — це посібник для розв’язання проблем зі створення реальних інтелектуальних систем. Він дотримується комплексного трирівневого підходу, наповненого концепціями, методологіями, практичними прикладами та кодом. Ця книга допомагає своїм читачам оволодіти основними навичками, необхідними для розпізнавання та вирішення складних проблем за допомогою машинного та глибокого навчання за допомогою мислення, керованого даними. Використовуючи практичні приклади реального світу, які використовують популярну екосистему машинного навчання Python, ця книга стане вашим ідеальним супутником для вивчення мистецтва та науки машинного навчання, щоб стати успішним практиком. Концепції, техніки, інструменти, фреймворки та методології, використані в цій книзі, навчать вас, як успішно думати, проектувати, створювати та виконувати системи та проекти машинного навчання. Ця книга допоможе вам почати роботу з екосистемою машинного навчання Python із різноманітним набором фреймворків і бібліотек. Трирівневий підхід у цій книзі починається із зосередження на створенні міцної основи навколо основ машинного навчання та відповідних інструментів і фреймворків, у наступній частині наголошується на основних процесах, пов’язаних зі створенням конвеєрів машинного навчання, а в заключній частині ці знання використовуються для вирішення завдань. деякі практичні приклади з різних сфер, включаючи роздрібну торгівлю, транспорт, фільми, музику, комп’ютерне зір, мистецтво та фінанси. Ми також охоплюємо широкий спектр моделей машинного навчання, включаючи регресію, класифікацію, прогнозування, аналіз правил і кластеризацію. У цій книзі також розглядаються передові методології та дослідження в галузі глибокого навчання, включаючи такі концепції, як перенесення навчання та тематичні дослідження, пов’язані з комп’ютерним зором, включаючи класифікацію зображень і передачу нейронних стилів. Кожен розділ складається з детальних концепцій із повними практичними прикладами, кодом і детальним обговоренням. Основна мета цієї книги — дати широкому колу читачів, зокрема ІТ-фахівцям, аналітикам, розробникам, науковцям із обробки даних, інженерам і аспірантам, структурований підхід до отримання основних навичок, пов’язаних із машинним навчанням, і достатні знання про використання стану. найсучасніші методи та рамки машинного навчання, щоб вони могли почати вирішувати власні реальні проблеми. Ця книга орієнтована на прикладні програми, тому вона не замінить отримання глибоких концептуальних і теоретичних знань про алгоритми, методи та їх внутрішні реалізації машинного навчання. Ми наполегливо рекомендуємо вам доповнити практичні знання, отримані завдяки цій книзі, деякими стандартними книгами про інтелектуальний аналіз даних, статистичний аналіз і теоретичні аспекти алгоритмів і методів машинного навчання, щоб отримати глибше розуміння світу машинного навчання.