Прикладное машинное обучение без учителя с использованием Python: Анкур Пател

По мнению многих отраслевых экспертов, обучение без учителя — передовой рубеж технологий искусственного интеллекта (ИИ) и, возможно, ключ к созданию сильного ИИ. Поскольку подавляющая часть накопленных в мире данных не размечена, к ним нельзя применять традиционное обучение с учителем. В то же время обучение без учителя позволяет успешно работать с неразмеченными наборами данных и выявлять заложенные в них закономерности, обнаружить которые человеку не под силу.

Автор книги показывает, как реализовать обучение без учителя на основе двух платформ Python: Scikit-learn и TensorFlow/Keras. Используя готовый код и практические примеры, специалисты по работе с данными смогут выявлять скрытые закономерности в информационных массивах, более глубоко анализировать деловые данные, обнаруживать аномалии, выполнять автоматическое конструирование признаков и генерировать синтетические наборы данных. Все, что потребуется от читателя, — знание программирования и предварительный опыт работы в области машинного обучения.

Основные темы книги:
Сравнение сильных и слабых сторон различных подходов к машинному обучению: с учителем, без учителя и с подкреплением
Запуск готового проекта машинного обучения
Создание системы обнаружения аномалий для выявления попыток мошенничества с банковскими картами
Кластеризация пользователей путем разбиения их на отчетливо различимые однородные группы
Обучение с частичным привлечением учителя
Построение рекомендательной системы фильмов с использованием ограниченных машин Больцмана
Генерирование синтетических изображений с помощью генеративно-состязательных сетей
Книга обсуждается в отдельном сообщении в блоге Виктора Штонда.

Об авторе
Анкур Пател — вице-президент компании 7Park Data, входящей в портфель активов инвестиционной компании Vista Equity Partners.

Вместе со своей командой разрабатывает программные продукты по обработке данных для хедж-фондов, а также систему MLaaS (машинное обучение как услуга), предназначенную для корпоративных клиентов.