09 января 2017

ВОПРОС - насколько необходим выпуск на русском языке книги «Машинное обучение для чайников»?

Летом 2016 года в издательстве Wiley (USA) вышла книга «Machine Learning For Dummies» (Машинное обучение для чайников)

Машинное обучение (англ. Machine Learning) — обширный подраздел искусственного интеллекта (ИИ, англ. Artificial intelligence, AI), математическая дисциплина, использующая разделы математической статистики, численных методов оптимизации, теории вероятностей, дискретного анализа, и извлекающая знания из данных (Big Data)

Машинное обучение может быть головоломной штукой для большинства людей, но те, кто находятся на передовой программирования знают, насколько бесценной является эта концепция. Без машинного обучения не были бы возможны выявление мошенничества, выдача поисковых результатов, реклама в реальном времени на веб-сайтах, оценка кредитного рейтинга, работа спам-фильтров и автоматизация различных процессов. И это только немногие из его возможностей

 Написанная двумя экспертами в области науки о данных, книга «Машинное обучение для чайников» предлагает необходимую отправную точку для тех, кто ищет способы применения машинного обучения для решения практических задач

Покрывая темы начального уровня, необходимые для ознакомления с базовыми принципами машинного обучения, это руководство поможет Вам быстро понять языки программирования и другие инструменты необходимые для реализации задач машинного обучения. Разозлены ли Вы математикой лежащей в основе машинного обучения или уже знаете что-то про искусственный интеллект или озадачены подготовкой данных или что-то посредине – книга «Машинное обучение для чайников» облегчит понимание и сведёт к минимуму препятствия на пути применения машинного обучения

Оригинал книги: «Machine Learning For Dummies», John Paul Mueller, Luca Massaron, 432 pages, ISBN 978-1-119-24551-3, July 2016

ВОПРОС - насколько необходим выпуск на русском языке книги «Машинное обучение для чайников»?

Свои пожелания и рекомендации Вы можете оставить ниже, перейдя в раздел комментариев этого сообщения

_________________________________________________________________________________
СОДЕРЖАНИЕ книги «Машинное обучение для чайников»
_________________________________________________________________________________
Введение

ЧАСТЬ 1: ПЕРВОЕ ЗНАКОМСТВО С МАШИННЫМ ОБУЧЕНИЕМ

Глава 1: Правда об искусственном интеллекте (AI)
Как избежать обмана
Мечты об электрических овцах
Преодолевая фантазии AI
Рассмотрение отношений между AI и машинным обучением
Учитывая спецификации AI и машинного обучения
Определение водораздела между искусством и инженерией

Глава 2: Обучение в эпоху Больших Данных
Определение Больших Данных
Обсуждение источников Больших Данных
Определение роли статистики в машинном обучении
Понимание роли алгоритмов
Определение что такое средства обучения

Глава 3: Взгляд в будущее
Создание полезных технологий для будущего
Открытие новых возможностей работы с машинным обучением
Как избежать потенциальных ловушек будущих технологий

ЧАСТЬ 2: ПОДГОТОВКА ИНСТРУМЕНТАЛЬНЫХ СРЕДСТВ ОБУЧЕНИЯ

Глава 4: Инсталляция дистрибутива языка R
Выбор дистрибутива R с мыслью о машинном обучении
Инсталляция R на Windows
Инсталляция R на Linux
Инсталляция R на Mac OS X
Загрузка наборов данных и примеры программных кодов

Глава 5: Кодирование на R, используя RStudio
Понимание базовых типов данных
Работа с векторами
Организация данных, используя списки
Работа с таблицами
Взаимодействие с многомерными данными, используя массивы
Создание структуры данных
Выполнение базовых статистических задач

Глава 6: Инсталляция дистрибутива Python
Выбор дистрибутива Python с мыслью о машинном обучении
Инсталляция Python на Linux
Инсталляция Python на Mac OS X
Инсталляция Python на Windows
Загрузка наборов данных и примеры программных кодов

Глава 7: Кодирование на Python, используя Anaconda
Работа с числами и логикой
Создание и использование рядов (цепочек последовательностей)
Взаимодействие с датами
Создание и использование функций
Использование условных выражений и цикла (петли) утверждения
Хранение данных, используя множества, списки и кортежи
Определение полезных итераторов
Индексация данных, используя словари
Хранение программного кода в модулях

Глава 8: Исследование других инструментальных средств машинного обучения
Встреча с предшественниками SAS, Stata и SPSS
Обучение в академии с Weka
Обращение к сложным алгоритмам становится легким при использовании LIBSVM
Выполняется так быстро, как летит свет с Vowpal Wabbit
Визуализация с Knime и RapidMiner
Работа с большими массивами данных при использовании Spark

ЧАСТЬ 3: НАЧИНАЕМ С ОСНОВ МАТЕМАТИКИ

Глава 9: Снятие мифов с математики после машинного обучения
Работа с данными
Исследование мира вероятностей
Описание использования статистики

Глава 10: Спуск по правильной кривой
Интерпретация обучения как оптимизации
Исследование функций стоимости
Спуск по кривой ошибок
Обновление посредством минипакета и онлайн

Глава 11: Проверка правильности машинного обучения
Проверка ошибок за пределами выборки
Распознавание границ отклонения
Хранение сложности модели в уме
Хранение сбалансированных решений
Обучение, проверка правильности и тестирование
Обращение к перекресной проверке правильности
Поиск альтернатив при проверке правильности
Оптимизация выбора перекрестной проверки правильности
Как избежать типовых отклонений и циклов потерь

Глава 12: Начинаем с простых учеников
Обнаружение невероятного перцептрона
Выращивание жадных деревьев классификации
Принимая вероятностный поворот

ЧАСТЬ 4: ОБУЧЕНИЕ НА ОСНОВЕ УМНЫХ И БОЛЬШИХ ДАННЫХ

Глава 13 Предварительная обработка данных
Сбор и очистка данных
Восстановление недостающих данных
Преобразование распределенных данных
Создание Ваших cобственных свойств
Сжатие данных
Разграничивание аномальных данных

Глава 14: Достижение подобия
Измерение подобия между векторами
Использование расстояния для определения местонахождения кластеров
Настройка алгоритма K-средних
Поиск классификации на базе алгоритма K-ближайших соседей
Достижение правильного параметра K

Глава 15: Работа с линейными моделями наиболее легкий путь
Сначала объединить переменные
Смешивание переменных различных типов
Переключение на вероятности
Оценка правильных свойств
Обучение одного примера за один раз

Глава 16: Удар по сложности нейронных сетей
Обучение и подражание природе
Борьба с переобучением
Введение в глубинное обучение

Глава 17: Продвижение на шаг вперед в использовании опорных векторов
Возвращаясь к проблеме разделения: новый подход
Объяснение алгоритма
Применение нелинейности
Иллюстрирование гиперпараметров
Классификация и оценивание с SVM

Глава 18: Прибегая к ансамблям учеников
Использование деревьев решений
Работа с почти случайными предположениями
Стимуляция умных предсказателей
Усреднение других предсказателей

ЧАСТЬ 5: ПРИМЕНЕНИЕ ОБУЧЕНИЯ К РЕАЛЬНЫМ ПРОБЛЕМАМ

Глава 19: Классификация изображений
Работа с набором изображений
Извлечение визуальных особенностей
Распознавание лиц с использованием алгоритма Eigenfaces
Классификация изображений

Глава 20: Оценка мнений и настроений
Внедрение обработки естественного языка
Понимание того, как машина читает
Использование скоринга и классификации

Глава 21: Рекомендуя продукты и фильмы
Осуществляя революцию
Загрузка рейтинговых данных
Усиление SVD

ЧАСТЬ 6: ЛУЧШИЕ ДЕСЯТКИ

Глава 22: Десять пакетов машинного обучения
Cloudera Oryx
CUDA-Convnet
ConvNetJS
e1071
gbm
Gensim
glmnet
randomForest
SciPy
XGBoost

Глава 23: Десять способов улучшить свои модели машинного обучения
Исследование кривых обучения
Правильное использование перекрестной проверки достоверности (валидации)
Правильной выбор ошибки или метрики бальной оценки
Поиск лучших гиперпараметров
Тестирование нескольких моделей
Модели усреднения
Собирание моделей
Применение инженерии свойств
Выбор свойств и примеры
Поиск большого количества данных


Будет издана книга «Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными», Андреас Мюллер, Сара Гвидо, бумага офсетная-белая, твердый переплет, ~400 стр., ISBN , «ВИЛЬЯМС», 2017

Машинное обучение стало неотъемлемой частью различных коммерческих и исследовательских проектов, начиная от постановки медицинского диагноза c последующим лечением и заканчивая поиском друзей в социальных сетях. Многие полагают, что машинное обучение могут использовать только крупные компании, обладающие мощными командами аналитиков

В книге «Введение в машинное обучение с помощью Python» описывается как можно самостоятельно и c удивительной легкостью построить модели машинного обучения (Machine Learning, ML). Прочитав эту книгу, вы сможете построить свою собственную систему машинного обучения, которая позволит выяснить настроения пользователей Твиттера или получить прогнозы по поводу глобального потепления

Машинное обучение заключается в извлечении знаний из данных. Это научная область, находящаяся на пересечении статистики, искусственного интеллекта и компьютерных наук и также известная как прогнозная аналитика или статистическое обучение. В последние годы применение методов машинного обучения в повседневной жизни стало обыденным явлением

Книга «Введение в машинное обучение с помощью Python» является вводной и не требует предварительных знаний в области машинного обучения или искусственного интеллекта

Область применения машинного обучения безгранична и, учитывая все многообразие данных, имеющихся на сегодняшний день, ограничивается лишь вашим воображением

Оригинал книги: «Introduction to Machine Learning with Python A Guide for Data Scientists», Andreas C. Müller, Sarah Guido, 394 pages, ISBN 9781491939109, October 2016

Книга обсуждается в отдельном сообщении моего блога
_________________________________________________________________________________
СЛЕДИТЕ ЗА ИЗМЕНЕНИЯМИ В ЭТОМ СООБЩЕНИИ -
последнее обновление - 30 января 2017 года
_________________________________________________________________________________
на фото Виктор Штонда (Viktor Shtonda) издатель
Виктор Штонда, издатель
Viktor Shtonda, publisher
ВОПРОС - какие еще книги этой тематики Вы можете предложить для оперативного издания на русском языке ?


P.S. Только Ваша активная позиция в столь непростое время будет способствовать появлению новых и нужных Вам книг. А также, способствовать повышению качества книг, издаваемых издательской группой «ДИАЛЕКТИКА-ВИЛЬЯМС»

___________________________________________________
Ваши комментарии перед публикацией я просматриваю, поэтому я оставляю за собой право публиковать или нет комментарии с подписью Анонимный

23 комментария:

  1. Тема очень актуальная, так что я за перевод.

    Еще хотелось бы увидеть перевод книги:
    Introduction to Machine Learning with Python By Andreas C. Müller, Sarah Guido
    Publisher: O'Reilly Media
    Final Release Date: September 2016
    Pages: 392

    http://shop.oreilly.com/product/0636920030515.do

    ОтветитьУдалить
    Ответы
    1. открою секрет - книга Introduction to Machine Learning with Python By Andreas C. Müller, Sarah Guido в производстве и скоро я сделаю по ней отдельное сообщение в своём блоге - это одна из лучших вводных книг по теме «Машинное обучение» )))

      Удалить
    2. Отличная новость! Спасибо, что издаете такие полезные книги.

      Удалить
    3. Добрый вечер. Думаю, что я бы купил эту книгу, если издадите :).

      Удалить
    4. Ух ты, вот эту, пожалуй, тоже куплю.

      Удалить
  2. Ответы
    1. эту книгу - «Машинное обучение для чайников»?

      Удалить
  3. Ответы
    1. чего ждёте? салюта? его не будет - тоьлко аргументы! в пользу издания

      Удалить
  4. Я с удовольствием приобрел бы эту книгу

    ОтветитьУдалить
  5. Кстати, если говорить в общем, с удовольствием приобрёл бы эту книку на русском http://shop.oreilly.com/product/0636920027072.do . Насколько я понимаю, она ещё не переведена.

    ОтветитьУдалить
  6. Анонимный17 января, 2017

    Эта книга не нужна. Если Вы планируете издавать вводный курс (Мюллер-Гуидо), то смысла еще в одной подобной книге нет. Лучше издать продвинутую книгу, например, культовую https://www.amazon.com/Elements-Statistical-Learning-Prediction-Statistics/dp/0387848576/

    ОтветитьУдалить
  7. С удовольствием бы приобрел книгу «Машинное обучение для чайников». Издайте ее, пожалуйста, в твердом переплете на хорошей бумаге.

    > ... издать продвинутую книгу, например, культовую https://www.amazon.com/Elements-Statistical-Learning-Prediction-Statistics/dp/0387848576/
    Отличная идея! Присоединяюсь и поддерживаю.

    ОтветитьУдалить
  8. Анонимный07 февраля, 2017

    а что скажите о https://www.amazon.com/Deep-Learning-Adaptive-Computation-Machine/dp/0262035618 - глубокие нейронные сети мат. часть. Я бы однозначно купил.

    ОтветитьУдалить
    Ответы
    1. могу сказать - мы за неё боролись .... Главное - книга будет издана на русском языке! - она выйдет в другом издательстве - в каком? ... я сделаю сообщение о книге в своём блоге )))

      Удалить
    2. Анонимный09 февраля, 2017

      Здорово, поскорее бы! Вообще мне кажется у издательва mit'а из этой области (машинное обучение) есть еще пара интерсных книг.

      Удалить
    3. Анонимный22 февраля, 2017

      Доброе утро, вот "кипрпич" - https://www.amazon.com/Probabilistic-Graphical-Models-Principles-Computation/dp/0262013193, вот у автора курс о PGM - https://www.coursera.org/learn/probabilistic-graphical-models, вот еще ресурс где есть мнения читателей - http://www.goodreads.com/book/show/6676555-probabilistic-graphical-models. Нет ли у вас в планах издать на русском этот фундаментальный труд?

      Удалить