[БХВ] Книга Kaggle. Машинное обучение и анализ данных (Конрад Банахевич, Лука Массарон)

Книга рассказывает о продвинутых приёмах машинного обучения и науки о данных (data science) на основе задач, решаемых на всемирно известной платформе Kaggle. Показано (в том числе на примере увлекательных интервью с Kaggle-гроссмейстерами), как устроена платформа Kaggle и проводимые на ней соревнования. Изложенный материал позволяет развить необходимые навыки и собрать портфолио по машинному обучению, анализу данных, обработке естественного языка, работе с множествами. Подобран уникальный пул задач, охватывающих различные классификационные и оценочные метрики, методы обучения нейронных сетей, схемы валидации, выявление паттернов и трендов в материале любой сложности.

Для специалистов по анализу данных и машинному обучению

Конкурсы Kaggle – это поле для состязаний, где меряются силами миллионы специалистов по науке о данных (data science), которые сами себя именуют «кэглерами». Участие в таких конкурсах – верный способ профессионально вырасти в области анализа данных, влиться в замечательное сообщество единомышленников и приобрести бесценный опыт для развития карьеры. Авторы книги – грандмастера Kaggle. Они познакомят вас со стратегиями моделирования, которые более нигде не рассмотрены, и подскажут, как удобнее всего обрабатывать изображения, тексты, таблицы, как правильно реализовать обучение с подкреплением. Вы освоите качественные схемы валидации и станете уверенно ориентироваться в самых разных оценочных метриках.

В книге рассказано:

• Как устроена соревновательная платформа Kaggle
• Как выжать максимум из ноутбуков, датасетов и форумов Kaggle
• Как правильно собирать портфолио проектов и идеи для развития карьеры
• Как проектировать k-мерные и вероятностные схемы валидации
• Как освоить наиболее распространённые и экзотические оценочные метрики
• Как устроена бинарная и многоклассовая классификация объектов, а также их обнаружение
• Как эффективно обращаться с временными рядами и обработкой естественного языка (NLP)
• Как преуспеть в задачах на имитационное моделирование и оптимизацию