![](https://habrastorage.org/getpro/habr/upload_files/f93/e00/7f9/f93e007f9bcd1432d7107745e14e8daa.jpeg)
Хорошая новость — все больше книг по машинному и глубокому обучению теперь доступны и в русском переводе. Очередная рецензия будет на книгу «Прикладное машинное обучение и искусственный интеллект для инженеров» (Applied Machine Learning and AI for Engineers) автора Джеффа Просиза от O'Reilly Media, в переводе от БХВ Петербург. В отличие от многих других введений и пособий на эту тему, книга Дж. Просиза избегает упора на излишне сложную математику, делая акцент на практическое применение ML и DL технологий.
Прежде чем перейти к разбору книги “Прикладное машинное обучение и искусственный интеллект для инженеров”, напомним про две другие книги-новинки по теме ML/DL вышедшие в 2024 году в издательстве БХВ Петербург. Вот наши рецензии на них:
Дата-сайентистам: рецензия на книгу “Машинное обучение с PyTorch и Scikit-Learn”
Дата-сайентистам: «Обработка данных на Python. Data Wrangling и Data Quality»
И, как всегда, на все книги по компьютерным технологиям от издательств “БХВ Петербург” и “Фолиант” доступен промокод SSPSOFT на скидку 25% как подарок читателям Хабра от нашего блога.
Для кого эта книга
Джефф Просиз — инженер по образованию, и при этом ментор и предприниматель по складу характера. Решив написать эту книгу, Джефф поставил своей целью помочь инженерам и разработчикам программного обеспечения освоить методы машинного обучения. Соучредитель компании Wintellect, он написал несколько книг, обучил множество разработчиков в Microsoft и выступал на крупнейших мировых конференциях по программному обеспечению. В настоящее время Джефф Просиз занимает должность директора по обучению в компании Atmosera, где помогает клиентам внедрять искусственный интеллект в свои продукты.
Джефф Просиз из тех людей, кого называют адвокатами бренда, — в данном случае адвоката продуктов Microsoft. Поэтому вы встретите в книге прикладные сервисы Microsoft Azure в области машинного обучения и примеры использования языка С# при построении моделей.
А теперь перейдем к портрету читателя этой книги: «Прикладное машинное обучение и искусственный интеллект для инженеров» ориентирована на инженеров и разработчиков программного обеспечения, работающих в таких отраслевых направлениях как:
Обработка сигналов и изображений — в книге есть примеры использования CNN (Convolutional Neural Networks) для классификации изображений и идентификации лиц.
Задачи обработки естественного языка в виде анализа тональности текста и других применений ML.
Промышленная диагностика на предприятиях — включает обнаружение аномалий в продукции и прогнозирование отказов оборудования.
Направление автоматизации и робототехники, где перспективно применение ML для создания автономных систем и роботов.
Что интересного в главах книги
Как и многие другие книги по анализу данных, «Прикладное машинное обучение и искусственный интеллект для инженеров» разбита на две части, с описанием инструментов машинного обучения (ML) и глубокого обучения (DL).
Русское оглавление книги доступно на сайте издательства БХВ, а английское — на сайте O’REILLY. Далее рассмотрим содержание всех глав в виде конспекта, что даст вам понимание содержания книги и возможность оценить, стоит ли эту книгу приобретать.
Часть 1. Машинное обучение с Scikit-Learnт
Scikit-Learn — это библиотека машинного обучения для языка программирования Python, которая предоставляет множество инструментов для построения и тренировки моделей машинного обучения. В этой книге Scikit-Learn используется для объяснения и реализации основных алгоритмов и методов машинного обучения.
Первые три главы книги представляют комплексное введение в машинное обучение.
В первой главе рассматриваются основные концепции машинного обучения, различие между ML и AI, а также методы supervised и unsupervised learning, что полезно для общей инженерии, анализа данных и разработки программного обеспечения. Вторая глава фокусируется на объяснении моделей регрессии, таких как линейная регрессия, деревья решений, случайные леса и машины опорных векторов, применимых в финансовом моделировании, прогнозировании спроса и оценке стоимости. Третья глава охватывает методы классификации, включая логистическую регрессию и классификацию по множеству классов, что важно для обнаружения мошенничества, медицинской диагностики и классификации текстов и изображений.
Главы 4-7:
они посвящены практическим задачам с использованием ML в инженерной деятельности. Четвертая глава переводит читателя к задаче классификации текста, охватывая подготовку текстовых данных для классификации, анализ тональности, фильтрацию спама и системы рекомендаций, что особенно полезно для маркетинга, службы поддержки и анализа отзывов клиентов. Пятая глава рассматривает т.н. машины опорных векторов (SVM), объясняя принципы их работы, ядра, методы настройки гиперпараметров и нормализацию данных, что находит применение в распознавании лиц, анализе биомедицинских данных и классификации текстов.
В шестой главе обсуждаются основы анализа главных компонент (PCA), включая фильтрацию шума, анонимизацию данных и визуализацию многомерных данных, что важно для обнаружения аномалий, финансового анализа и предварительной обработки данных.
7-я глава сосредоточена на операционализации моделей машинного обучения, описывая их внедрение в производственные системы, контейнеризацию, использование ONNX и ML.NET, что критично для разработки программного обеспечения, DevOps и интеграции машинного обучения в бизнес-приложения.
Часть 2. Глубокое обучение с Keras и TensorFlow
Если вы погружены в тему глубокого обучения, то главу 8 можно пропустить и сразу пойти дальше. Но автор так поступить не может и начинает с самых азов.
Кстати, еще надо сказать несколько вступительных слов о том, что такое Keras и TensorFlow:
TensorFlow — популярная библиотека с открытым исходным кодом для машинного обучения, разработанная Google Brain Team. В контексте глубокого обучения TensorFlow используется для определения и выполнения вычислительных графов для обработки больших объемов данных на различных аппаратных платформах.
Keras — это высокоуровневый API для построения и обучения моделей нейронных сетей, который изначально был разработан как независимый проект, но позже стал частью TensorFlow. Поддерживаются различные типы нейронных сетей, включая полносвязные сети, свёрточные сети (CNN), рекуррентные сети (RNN) и их комбинации.
В контексте глубокого обучения Keras и TensorFlow работают в тандеме, где Keras предоставляет удобный интерфейс для создания моделей, а TensorFlow выступает в качестве вычислительного движка, обеспечивая высокую производительность и гибкость.
А теперь перейдем к главам про глубокое обучение в инженерном деле:
Глава 8 книги посвящена основам нейронных сетей, их обучению и применению, что важно для разработки рекомендательных систем, прогнозирования и обработки естественного языка.
Главы 9 и 10:
в 9-й главе рассматривается создание нейронных сетей с использованием Keras и TensorFlow, а также их настройка, что находит применение в прогнозировании цен, медицинской диагностике и распознавании образов. 10-я глава охватывает основы свёрточных нейронных сетей (CNN), использование предварительно обученных моделей, передачу обучения и увеличение данных, что критично для классификации изображений, медицинской визуализации и автоматического распознавания объектов.
Главы 11, 12 и 13:
они охватывают аспекты работы с изображениями и текстами с использованием методов машинного обучения и глубокого обучения. Глава 11 посвящена обнаружению и распознаванию лиц с использованием алгоритмов Viola-Jones и сверточных нейронных сетей (CNN), что находит применение в системах безопасности, биометрии и улучшении пользовательского опыта.
Глава 12 рассматривает различные методы обнаружения объектов, такие как R-CNN, Mask R-CNN и YOLO, и их применение в автономных транспортных средствах, системах видеонаблюдения и робототехнике. Глава 13 фокусируется на обработке естественного языка (NLP), включая подготовку текста, векторизацию слов и использование рекуррентных нейронных сетей (RNN) и трансформеров для анализа текстов, что полезно для создания чат-ботов, автоматического перевода и анализа тональности.
Глава 14 знакомит со службой Azure Cognitive Services. Автор пытается продемонстрировать, как использовать службу для задач компьютерного зрения, обработки языка и речи. Это различные API и инструменты Azure для создания интеллектуальных приложений, которые могут анализировать изображения и видео, обрабатывать и понимать естественный язык, а также синтезировать и распознавать речь. Azure Cognitive Services считается достаточно продвинутым облачным сервисом ИИ, но более недоступен на территории РФ.
Заключение
Книга «Прикладное машинное обучение и искусственный интеллект для инженеров» может быть полезной, если вы работаете в одной из таких прикладных областей как компьютерное зрение, медицинская диагностика по рентгеновским снимкам, промышленная автоматизация, навигация и взаимодействия с окружающей средой в автономных системах и ряде других сфер.
Владение технологиями ML/DL позволяет инженерам анализировать большие объемы данных и выявлять закономерности, которые сложно обнаружить вручную и таким образом помогать менеджменту принимать более обоснованные решения. С помощью ИИ можно автоматизировать множество рутинных производственных задач, таких как более точное обнаружение брака на конвейере или диагностика состояния оборудования в течение времени.
Добавим каплю рекламы от нашего блога: компания SSP SOFT приглашает на позиции инженеров QA и DevOps, системного аналитика, аналитика данных, разработчиков на Java, JS, React и Python, 1С — см. страницу на hh.ru. Если вашей специальности нет в текущих вакансиях, все равно присылайте резюме, т.к. новые позиции в командах открываются еженедельно (пишите в Telegram или на почту job@ssp-soft.com).
Успехов в обработке и анализе данных для инженерных задач!
Комментарии (8)
ivandreevich11
12.08.2024 06:46+2Книга по содержанию и наполнению хорошая, говорю вам как человек который учится в магистратуре на направлении "Искусственный интеллект в промышленности", единственное чего не хватает, так это электронного варианта.
Plesser
Книг которые описывают все и сразу, но мало, выходит каждый год вагон и маленькая тележка. Но книг с узкой тематикой, будь то компьютерное зрение, языковые модели etc выходит .... да вообще не выходят последнее время. Интересно почему?
SSP_blog Автор
Видимо узкая тематика не считается приоритетной у американских, да и российских издательств. Чем шире тематика, тем больше рынок читателей.
Да и авторы видимо не горят желанием раскрывать в подробностях узкие темы, которые их кормят на основной работе.
Plesser
Не правда, у западных издательств выходит полно книг по узким тематикам. Вы можете зайти на амазон и сами все проверить.
А вот то что у наших издательств резко сузился спектр тем выпускаемых книг, который и в лучшие времена был не широк, правда.
MultiGramen
У запада рынок гораздо шире. Как обычно бывает: сначала создают продукты под английский язык, а потом уже, если зайдёт, переводят на другие рынки.
Plesser
Да, вы правы. Но это не как не противоречит моему вопросу
ssmaslov
Потому что узкие тематики предназначены для специалистов, книга за время подготовки устаревает. Не очень понятен рынок такого рода изданий, он существует но его ценность сомнительна. Есть статьи, есть материалы конференций и документация на продукты. Книга нужна для систематизации базы, дальше ее ценность снижается по мере роста погруженности в тему.
Plesser
Вас послушать, так студентам ВУЗов вообще не какой литературы давать не надо, пусть читают документацию продуктов.