Машинное обучение без иллюзий. Понимание возможностей и границ ML

 Машинное обучение без иллюзий. Понимание возможностей и границ ML
Сергей Кирницкий

Машинное обучение способно на удивительные вещи, но не на те, которые обещает маркетинг. Книга объясняет фундаментальную природу ML: как алгоритмы выявляют закономерности, почему воспроизводят предвзятости, когда работают блестяще и когда опасно. Концепция «переноса сложности» покажет, куда на самом деле уходят проблемы при автоматизации. Основана на анализе десятков реальных проектов. Обязательное чтение перед внедрением ML в вашей организации.
Прикладная наукаIT-технологииНаука
Yosh cheklovlari: 18+
Huquq egasi: ООО "Издательские решения"
Original nashr sanasi: 2025
Nashr sanasi: 2025
nashriyot: Ridero
Qogʻoz sahifalar: 179

Oʻxshash kitoblar

Математические алгоритмы для программистов. 3D-графика, машинное обучение и моделирование на Python
Пол ОрландМатематические алгоритмы для программистов. 3D-графика, машинное обучение и моделирование на Python
Глубокое обучение на Python. 2-е межд. издание
Франсуа ШоллеГлубокое обучение на Python. 2-е межд. издание
Глубокое обучение с подкреплением: теория и практика на языке Python
Ван Лун Кенг, Лаура ГрессерГлубокое обучение с подкреплением: теория и практика на языке Python
Масштабируемые данные. Лучшие шаблоны высоконагруженных архитектур
Питхейн СтренгхольтМасштабируемые данные. Лучшие шаблоны высоконагруженных архитектур
Прикладные структуры данных и алгоритмы. Прокачиваем навыки
Джей ВенгроуПрикладные структуры данных и алгоритмы. Прокачиваем навыки
Создание приложений машинного обучения: от идеи к продукту
Эммануэль АмейзенСоздание приложений машинного обучения: от идеи к продукту
Рекурсивная книга о рекурсии
Свейгарт ЭлРекурсивная книга о рекурсии
Глубокое обучение: Формула точности в мире больших данных. Открытие потенциала: Путеводитель по основам машинного обучения
ИВВГлубокое обучение: Формула точности в мире больших данных. Открытие потенциала: Путеводитель по основам машинного обучения
Базы данных. Инжиниринг надежности
Лейн Кэмпбелл, Черити МейджорсБазы данных. Инжиниринг надежности
System Design. Машинное обучение. Подготовка к сложному интервью
Алекс Сюй, Али АминианSystem Design. Машинное обучение. Подготовка к сложному интервью
Внутри CPYTHON: гид по интерпретатору Python
Энтони ШоуВнутри CPYTHON: гид по интерпретатору Python
Data Science для новичков
Руслан НазаровData Science для новичков
Грокаем глубокое обучение с подкреплением
Мигель МоралесГрокаем глубокое обучение с подкреплением
Распределенные данные. Алгоритмы работы современных систем хранения информации
Алекс ПетровРаспределенные данные. Алгоритмы работы современных систем хранения информации
Data Science в действии
Леонард АпельцинData Science в действии
Частотный анализ числовых и текстовых данных
Валентин АрьковЧастотный анализ числовых и текстовых данных
Путь Python. Черный пояс по разработке, масштабированию, тестированию и развертыванию
Джульен ДанжуПуть Python. Черный пояс по разработке, масштабированию, тестированию и развертыванию
Классические задачи Computer Science на языке Python
Дэвид КопецКлассические задачи Computer Science на языке Python
Современный скрапинг веб-сайтов с помощью Python. 2-е межд. издание
Райан МитчеллСовременный скрапинг веб-сайтов с помощью Python. 2-е межд. издание
Машинное обучение. Портфолио реальных проектов
Алексей ГригорьевМашинное обучение. Портфолио реальных проектов
  1. Asosiy
  2. ⭐️Прикладная наука
  3. Сергей Кирницкий
  4. 📖Машинное обучение без иллюзий. Понимание возможностей и границ ML