Машинное обучение с малым объемом кодирования: Пер. с англ.

В книге подробно представлены три проблемно-ориентированных вида машинного обучения (Machine learning, ML): автоматизированное обучение AutoML без кодирования, обучение BigQuery ML с малым объемом кодирования и обучение с применением пользовательского кода на основе библиотек scikit-learn и Keras. При этом от читателя не требуется глубоких предварительных знаний в ML или программировании, но базовые навыки в этих областях будут полезны. Специализированные библиотеки, фреймворки ML, репозиторий GitHub и другие инструменты описаны по мере их необходимости. В каждом конкретном случае ключевые концепции ML раскрыты с использованием реальных наборов данных для решения реальных задач. Рассмотрено применение AutoML для прогнозирования продаж, использование BigQuery ML для обучения линейных регрессионных моделей, обучение пользовательских ML-моделей на Python для прогнозирования оттока клиентов и ряд других популярных бизнес-кейсов.
Для студентов, начинающих ML-инженеров и аналитиков данных

Стриплинг Г. Машинное обучение с малым объемом кодирования: Пер. с англ. / Г. Стриплинг, М. Абель. - Астана : Алист, 2025. - 296 с. - ISBN 978-601-08-4725-5. - URL: http://188.93.208.91/bookshelf/401997/reading (дата обращения: 17.10.2025). - Текст: электронный.