Машинное обучение. Погружение в технологию

Книга представляет собой фундаментальное введение в область машинного обучения — одну из ключевых технологий искусственного интеллекта. Автор подробно рассматривает основные концепции, принципы и этапы процесса обучения моделей на основе данных. Особое внимание уделяется способности моделей к обобщению — их возможности корректно работать с новыми, ранее не виденными данными.

В книге представлен обзор основных алгоритмов машинного обучения, включая линейную и логистическую регрессию, деревья решений, случайные леса, градиентный бустинг и нейронные сети. Для каждого подхода объясняются особенности применения в зависимости от типа решаемых задач и характеристик данных. Рассматриваются методы регуляризации, помогающие контролировать сложность моделей и избегать переобучения.

Отдельная глава посвящена историческому развитию машинного обучения — от первых статистических методов XIX века до современных прорывов в глубоком обучении. Автор прослеживает эволюцию от линейной регрессии и искусственных нейронных сетей середины XX века к современным сверточным и рекуррентным нейронным сетям, ставшим возможными благодаря росту вычислительных мощностей и появлению больших данных.

Книга охватывает широкий спектр практических применений машинного обучения в различных областях: компьютерное зрение, обработка естественного языка, рекомендательные системы, финансы, медицина, автомобильная промышленность, реклама и кибербезопасность. Материал изложен систематически, что делает книгу ценным ресурсом для начинающих специалистов, желающих получить структурированное представление о технологии машинного обучения.