Алгоритмы Data Science и их практическая реализация на Python
Учебное пособие рассматривает полный каскад разработки моделей искусственного интеллекта. Авторы детально анализируют область Data Science, выделяя все необходимые для прикладной сферы алгоритмы машинного обучения, расположенные по уровню возрастания сложности работы с ними.
Книга охватывает фундаментальные понятия и процессы машинного обучения, включая задачи обучения, подготовку данных (ETL и EDA), разбиение выборки, оптимизацию гиперпараметров, а также проблемы недообучения и переобучения. Особое внимание уделяется практическим аспектам, таким как работа с пропусками в данных, использование HDF и оценка моделей.
Рассматриваются ключевые алгоритмы и методы, включая метод максимального правдоподобия, метод наименьших квадратов, линейную регрессию, а также метрики и расстояния для оценки качества моделей. Изложение сопровождается примерами практической реализации на языке Python.
Пособие предназначено для студентов, изучающих информационные технологии, и может быть полезно как начинающим программистам, так и специалистам высокого уровня, желающим углубить свои знания в области Data Science и машинного обучения.
