Машинное обучение: основы, алгоритмы и практика применения
Книга представляет собой фундаментальное руководство по машинному обучению, охватывающее теоретические основы, ключевые алгоритмы и их практическое применение. Авторы, ведущие специалисты Северо-Западного университета, предлагают систематизированный подход к изучению дисциплины, начиная с введения в математическую оптимизацию — краеугольный камень современных методов ML.
В первой части подробно рассматриваются методы оптимизации нулевого и первого порядков, включая градиентный спуск и метод Ньютона, что создает прочную базу для понимания алгоритмов обучения. Основное внимание уделяется обучению с учителем: линейной регрессии, бинарной и многоклассовой классификации, а также методам обучения без учителя и генерации признаков.
Отдельные разделы посвящены нелинейным моделям, включая ядерные методы и нейронные сети, а также продвинутым техникам отбора моделей: перекрестной валидации, бустингу, регуляризации и ансамблированию. Книга содержит более 100 углубленных упражнений с реализацией на Python и более 300 цветных иллюстраций, доступных в электронном архиве.
