Scikit-learn w praktyce: od cech do metryk
W Scikit-learn jest coś przyjemnie ,,inżynierskiego": robisz porządek w danych, budujesz pipeline, a potem spokojnie sprawdzasz, czy model rzeczywiście dowozi w metrykach. W tej kategorii łatwo wyłapać publikacje, które nie uciekają w teorię bez kodu, tylko pokazują, jak ogarnąć przygotowanie danych, walidację krzyżową, dobór cech czy porównywanie algorytmów na tym samym problemie. Przydaje się to i w pracy analityka, i wtedy, gdy po prostu chcesz przestać zgadywać ,,dlaczego działa".
Dobrym punktem wejścia w szerszy krajobraz narzędzi jest książka Sebastiana Raschki i Vahida Mirjaliliego Python. Machine learning i deep learning. Biblioteki scikit-learn i TensorFlow 2. Wydanie III, w której obok klasycznego uczenia maszynowego pojawia się też wątek TensorFlow 2, a nawet nowocześniejsze podejścia jak GAN czy uczenie przez wzmacnianie. To wygodne, gdy robisz projekt w Pythonie i chcesz rozumieć, gdzie kończy się ,,klasyka" w scikit-learn, a gdzie zaczyna deep learning.
Receptury i warsztat: gdy liczy się tempo wdrożenia
Czasem nie potrzebujesz długiego wykładu -- tylko konkretu: jak wczytać dane, jak potraktować tekst, jak porównać kilka modeli, jak zapisać wytrenowany model i wrócić do niego po tygodniu. W takich sytuacjach dobrze działają książki z podejściem zadaniowym, gdzie rozdział jest jak narzędzie w skrzynce, a kod da się szybko zaadaptować do własnego notebooka. I tak, bywa że ratuje to deadline w zespole, bo mniej czasu idzie na błądzenie po dokumentacji.
Właśnie w tym stylu utrzymane jest podejście Chrisa Albona w Uczenie maszynowe w Pythonie. Receptury -- z naciskiem na praktyczne rozwiązania wokół danych liczbowych i tekstowych, redukcji wymiarowości, wyboru modelu czy pracy z metodami typu SVM i klasteryzacją. To szczególnie użyteczne, jeśli masz już podstawy ML i chcesz po prostu sprawniej dowozić kolejne eksperymenty.
Ścieżki rozwoju: od analityki po modele, które ,,widzą" i ,,czytają"
Scikit-learn często jest pierwszym ,,poważnym" krokiem do pracy z danymi: świetnie nadaje się do klasyfikacji, regresji, analizy skupień czy oceny jakości modeli w projektach biznesowych. Ale nie musi na tym koniec -- sporo osób zaczyna od klasycznych modeli, a potem naturalnie przechodzi do sieci neuronowych tam, gdzie w grę wchodzą obrazy, język albo bardziej złożone reprezentacje. W tej kategorii widać ten przeskok: od rzetelnych podstaw po narzędzia, które pozwalają budować ambitniejsze prototypy.
Jeśli myślisz o połączeniu podejścia ,,klasycznego" z deep learningiem, pomocny jest też przewodnik Kevina Clarksona Uczenie maszynowe: Scikit-Learn, Keras i TensorFlow. Szczegółowy poradnik, gdzie obok pracy w scikit-learn pojawiają się Keras i TensorFlow oraz studia przypadków prowadzące od treningu po sensowne dostrajanie. To dobra perspektywa, gdy planujesz rozwijać się w stronę ML engineer albo po prostu chcesz rozumieć, jak te światy się łączą w jednym projekcie.
A gdy złapiesz rytm pracy z modelami, przyjemnie jest poszerzyć kontekst o obszar danych w szerszym ujęciu -- w księgarni czeka też podkategoria Dane.
