Machine learning w data science: od modeli klasycznych po sieci neuronowe
W praktyce data science rzadko zaczyna się od fajerwerków -- częściej od prostego pytania biznesowego, pliku CSV i potrzeby sensownego porównania kilku podejść. Dlatego w tej kategorii mocno wybrzmiewa ścieżka ,,od podstaw do produkcyjnych narzędzi": najpierw klasyczne algorytmy (regresja, drzewa, metody zespołowe), a dopiero później głębsze architektury, kiedy problem naprawdę tego wymaga. I to jest uczciwe podejście, bo łatwiej potem rozpoznać, czy winny jest model, dane, czy może źle ustawiona walidacja.
Dobrym przykładem takiego prowadzenia jest Uczenie maszynowe z użyciem Scikit-Learn, Keras i TensorFlow. Wydanie III Auréliena Gérona, gdzie obok intuicji dostajesz też konkret: jak przechodzić od prostych modeli do nowoczesnych sieci i jak je trenować w typowym pythonowym stacku.
Tekst jako dane: NLP w Pythonie w codziennych zadaniach
Można się zastanawiać, czemu analiza tekstu tak często wraca w projektach -- a potem przychodzi życie: komentarze użytkowników, opisy produktów, zgłoszenia do helpdesku, dokumenty w PDF. I nagle okazuje się, że ,,dane" to nie tylko tabelki. W tej podkategorii naturalnie pojawia się NLP: tokenizacja, lematyzacja, wyrażenia regularne, rozpoznawanie encji czy porównywanie tekstów embeddingami, bo bez tego trudno rzetelnie zrobić chociażby analizę sentymentu albo wstępne grupowanie tematów.
Jeśli wolisz uczyć się ,,na żywo" i od razu powtarzać kroki w notebooku, to NLP. Kurs video. Analiza danych tekstowych w języku Python Anny Kotarby prowadzi przez typowe operacje na tekście (także import z TXT i PDF) i pokazuje, jak w Pythonie podejść do zadań, które dziś często kończą się... rozmową z chatbotem.
Od prototypu do aplikacji AI: uczenie głębokie w praktyce programisty
Z drugiej strony, same metryki na wykresie to jeszcze nie aplikacja. W projektach data science przychodzi moment, gdy trzeba model osadzić w produkcie: przygotować inference, zadbać o powtarzalność eksperymentów, szybkość i niezawodność. Tu pomagają książki, które tłumaczą uczenie głębokie ,,po programistycznemu", bez wchodzenia w ciężką matematykę, ale z naciskiem na rozumienie działania modeli i sensowne poprawianie jakości.
W tym duchu utrzymane jest Deep learning dla programistów. Budowanie aplikacji AI za pomocą fastai i PyTorch Jeremy'ego Howarda i Sylvaina Guggera, gdzie akcent pada na budowę i trenowanie modeli oraz na to, jak zamieniać je w działające rozwiązania -- czasem szybciej, niż się człowiek spodziewa.
A jeśli chcesz poszerzyć perspektywę, naturalnym kolejnym krokiem jest przejrzenie podkategorii Machine learning w obrębie Data science w księgarni Helion.
