Вы узнаете:

• Как различать структурированные и неструктурированные данные и разбираться с проблемами, которые могут встретиться
• Как визуализировать и анализировать данные
• Как предварительно обрабатывать данные для ввода в модель машинного обучения
• Чем отличаются регрессионная и классификационная модели обучения с учителем
• Как сравнивать различные типы моделей ML и их архитектуры, начиная с моделей без кода и с малым объемом кода и заканчивая моделями пользовательского обучения
• Как проектировать, внедрять и настраивать модели ML
• Как экспортировать данные в репозиторий GitHub для хранения и управления ими

Это превосходное и подробное руководство, раскрывающее потенциал ML, проиллюстриро-вано примерами реального использования и решениями практических задач
Майкл Манн, разработчик-исследователь, Google

Это совершенно особенная книга, в которой найден правильный баланс между практиче-скими решениями с малым объемом кода для начала работы с ML и углубленными объясне-ниями.
Бенуа Дерин, инженер по ML, Google Cloud/cite>

Для кого предназначена книга

Цель этой книги — научить читателей формулировать задачи ML для струк-турированных (табличных) данных, подготавливать свои данные для рабочих процессов ML.
Вы также научитесь создавать и применять модели ML с помощью различных решений без кода, с малым объемом кода и с привлечением базовых пользовательских кодов.
Вы пройдете пошаговые процедуры, позволяющие понять эти решения в контексте конкретной бизнес-задачи.
Основная аудитория этой книги — специалисты по бизнес-анализу, аналитике данных, студенты и начинающие гражданские специалисты по обработке данных.
Книга будет интересна людям, которые стремятся очень быстро научиться применять ML в своей работе, используя такие инструменты, как автоматизированное машинное обучение (AutoML), BigQuery ML (с применением SQL) и пользовательское машинное обучение на Python. Предполагается, что читатель имеет некоторое базовое знакомство с анализом данных

Что есть и чего нет в этой книге

Эта книга была написана, чтобы помочь вам сделать первые шаги в мире ML, а не для того, чтобы превратить вас в эксперта. Мы не рассматриваем тео-рию ML в деталях и не охватываем все области статистики и математики, требующиеся высококвалифицированному специалисту по обработке данных. Мы излагаем теорию, необходимую для проектов, описываемых в этой книге, а обсуждение более сложных задач выходит за рамки данной книги. Однако мы даем много ссылок на ресурсы, где вы можете погрузиться в ма-териал, вызывающий у вас дополнительный интерес.