Книга Себастьяна Рашки «Python и машинное обучение» посвящена применению языка программирования Python для решения задач прогнозной аналитики и машинного обучения. Автор стремится показать, как Python и его библиотеки (numpy, scikit-learn, Theano, Keras) позволяют анализировать данные, строить модели машинного обучения и применять их в реальных задачах, начиная от предобработки данных и заканчивая созданием сложных нейронных сетей.
Книга решает проблему доступного и практического введения в машинное обучение для специалистов, желающих углубить свои знания в области анализа данных. Автор акцентирует внимание на практическом применении теоретических концепций, подчеркивая важность написания чистого и эффективного кода на Python для реализации моделей, которые могут быть интегрированы в веб-приложения или использованы для анализа больших объемов данных.
Рашка также подчеркивает значимость Python в контексте современных вычислительных задач, объясняя, как оптимизированные библиотеки, такие как NumPy и SciPy, компенсируют ограничения производительности интерпретируемого языка. Книга предлагает читателям не только освоить базовые алгоритмы, но и понять, как применять их для решения конкретных задач, таких как регрессионный анализ, кластеризация или анализ текстов из социальных сетей.
Рис. 1: Обложка книги «Python и машинное обучение» (С. Рашка, ДМК Пресс, 2017, 1-е издание)
Ключевые аспекты
- Практическая ориентация: Книга содержит множество примеров кода, при чем по большей части на чистом Python, что позволяет лучше понять алгоритмы. Также Рашка очень хорошо демонстрирует возможности библиотеки scikit-learn для реализации алгоритмов кластеризации и регрессии.
- Широкий охват тем: Автор охватывает разнообразные аспекты машинного обучения, включая регрессионный анализ, кластеризацию, анализ текстов и нейронные сети. В частности, он подробно описывает, как Theano и Keras используются для конструирования нейронных сетей, что актуально для глубокого обучения.
- Предобработка данных: Рашка акцентирует внимание на важности эффективных методов предобработки данных, таких как нормализация и очистка, которые необходимы для подготовки данных к анализу. Он приводит примеры, как эти методы влияют на точность моделей машинного обучения.
- Интеграция моделей в приложения: Книга объясняет, как встраивать модели машинного обучения в веб-приложения на примере хостинга кода в pythonanywhere;
- Анализ текстов и социальных данных: Рашка демонстрирует, как Python можно использовать для анализа мнений и текстов из социальных сетей, что позволяет извлекать ценные инсайты из неструктурированных данных;
- Оценка моделей: Автор подчеркивает важность передовых методов оценки производительности моделей, таких как кросс-валидация, и приводит конкретные примеры их применения для повышения точности прогнозов.
Полезность
Что раскрыто хорошо:
- Примеры кода: Книга отличается обилием примеров кода, которые иллюстрируют теоретические концепции;
- Математическая база: В книге приведено множество формул: от регрессии до обратного распространения ошибки, что позволяет понять тему не только на уровне кода, но и понять ее математическую суть;
- Подробное объяснение кросс-валидации: Рашка посвятил в книге несколько разделов объяснений различных техник перекрестных проверок, техник избегания переобучения моделей;
Что раскрыто плохо:
- Академический стиль объяснений: Несмотря на то, что автор книги старался в некоторых разделах делать подачу информации более доступным языком и через визуализации, все же большая часть книги написана сухо и академично, читать новичкам ее будет трудно. Для сложных концепций автор не утруждает себя аналогиями и примерами, а сразу переходит к объяснениям в формате научных статей и формул;
- Примитивные датасеты: Практически все примеры в книге продемонстрированы на уже изъезженных и примитивных датасетах (Iris, Wines, MNIST, Boston Housing и т.д.). Автор получает высокие метрики обучения на этих простых данных, но при чтении книги невольно возникает вопрос: «А как работали бы его модели на чем-то посложнее?»;
- Мало информации про нейросети: Автор сконцентрирован на классическом ML и в конце книги лишь вкратце рассматривает CNN и RNN.
Вердикт
Книга Себастьяна Рашки «Python и машинное обучение» (2017) представляет собой ценное руководство для специалистов, стремящихся освоить основы машинного обучения с использованием Python. Она предлагает глубокое погружение в ключевые аспекты науки о данных, включая предобработку данных, регрессионный анализ, кластеризацию и нейронные сети, с акцентом на практическое применение через примеры кода.
Однако сухой стиль изложения, устаревание некоторых подходов (например, использование библиотеки Theano для построения нейросетей, которая уступила место более современным инструментам, например PyTorch) снижают полезную ценность книги. Некоторые сложные темы, такие как глубокое обучение, могут быть трудны для новичков из-за недостатка базовых объяснений, а отсутствие глубокого рассмотрения современных методов, таких как обучение с подкреплением, ограничивает ее ценность для продвинутых специалистов.
Тем не менее, издание остается полезным ресурсом для тех, кто уже освоил базовые техники машинного обучения, и служит хорошей отправной точкой для дальнейшего углубления в тему.
Приобрести книгу можно здесь: https://www.litres.ru/book/s-rashka/python-i-mashinnoe-obuchenie-48411231/