Machine Learning w Pythonie: od danych do działającego modelu
W praktyce Machine Learning zaczyna się od decyzji, które rzadko widać na slajdach: jak przygotować dane, jak podzielić zbiór, czym mierzyć jakość i kiedy model ,,działa", a kiedy tylko wygląda dobrze na wykresie. Dlatego w tej kategorii mocno wybrzmiewa podejście warsztatowe: praca na przykładach, iteracyjne poprawki i budowanie nawyku testowania hipotez. W książce Andreasa Müllera i Sarah Guido Machine learning, Python i data science. Wprowadzenie widać to szczególnie w kontekście scikit-learn, przetwarzania danych oraz strojenia parametrów, czyli rzeczy, które ratują projekt, gdy biznes pyta o wyniki ,,na produkcji".
Scikit-Learn, Keras i TensorFlow w jednym przepływie pracy
Czy warto mieszać klasyczne algorytmy z deep learningiem w jednej ścieżce nauki? Naszym zdaniem tak, bo dopiero wtedy widać różnice w kosztach, interpretowalności i utrzymaniu modeli. Publikacje w tej kategorii pokazują, jak przechodzić od regresji i drzew decyzyjnych do sieci splotowych czy rekurencyjnych, a potem wracać do ,,ziemskich" tematów: trenowania, wdrożeń i powtarzalnych eksperymentów. Dobrym przykładem jest przewodnik Auréliena Gérona Uczenie maszynowe z użyciem Scikit-Learn, Keras i TensorFlow. Wydanie III, gdzie nacisk pada na konkretne techniki -- od modeli zespołowych po transformatory i nowocześniejsze podejścia w sieciach neuronowych -- ale w duchu ,,zrób, uruchom, zrozum".
NLP i RAG w codziennych zastosowaniach: tekst, sentyment, rozmowa z modelem
Gdy w pracy pojawia się analiza opinii klientów, automatyczne tagowanie zgłoszeń albo wyszukiwanie semantyczne w dokumentach, nagle NLP przestaje być ciekawostką, a staje się narzędziem do rozwiązywania konkretnych problemów. W tej kategorii znajdziesz też podejście zadaniowe: ćwiczenia w Pythonie, klasyfikację, regresję i grupowanie, ale osadzone w tematach językowych i w realiach aplikacji korzystających z dużych modeli. W podręczniku Piotra Wróblewskiego Machine learning i natural language processing w programowaniu. Podręcznik z ćwiczeniami w Pythonie pojawiają się m.in. analiza tekstu, sentyment oraz praca z koncepcją RAG i integracja z chatbotem -- czyli to, co często ląduje w backlogu ,,na już, na wczoraj".
Ścieżki rozwoju: od analizy danych po inżynierię ML
Te książki dobrze wspierają różne kierunki rozwoju, bo realnie dotykają innych fragmentów pracy z danymi. Jeśli celujesz w rolę analityka danych, przyda Ci się pewność w doborze algorytmów, walidacji i interpretacji wyników; przy ścieżce ML engineera ważniejsze stają się powtarzalne pipeline'y, hermetyzacja przepływu pracy i myślenie o wdrożeniu; a przy projektach AI/NLP rośnie waga przygotowania korpusów, cech tekstowych i sensownego testowania jakości. Z drugiej strony -- to się miesza, więc warto czytać selektywnie: raz pod kątem modelu, raz pod kątem danych, a czasem po prostu pod kątem ,,jak to ogarnąć w Pythonie bez kombinowania".
Jeśli chcesz poszerzyć perspektywę o pracę z danymi w szerszym ujęciu, zajrzyj też do podkategorii Dane w księgarni Helion.
