【導讀】機器學習現在已經滲透到我們工作生活的方方面面，關于機器學習算法原理的書籍有很多經典教科書，但是實際工程生產系統中的機器學習落地書籍卻乏善可陳。來自Gartner機器學習技術負責人Andriy Burkov又一力作機器學習工程《Machine Learning Engineering》，專注機器學習項目實施的工程方面。諸如數據收集、存儲、預處理、特性工程以及模型的測試和調試、模型在生產環境中的部署和退出、運行時和后期維護等問題。是值得廣大ML工程師關注的一本書。值得一提的是Andriy Burkov撰寫的100天機器學習頗受歡迎。
開放書地址：
//www.mlebook.com/wiki/doku.php
概覽
有很多關于機器學習的好書，既有理論性的，也有實踐性的。在一本典型的機器學習書籍中，你可以學習機器學習的類型，算法的主要種類，它們是如何工作的，以及如何使用這些算法從數據中構建模型。
典型的機器學習書籍較少關注機器學習項目實施的工程方面。諸如數據收集、存儲、預處理、特性工程以及模型的測試和調試、模型在生產環境中的部署和退出、運行時和后期維護等問題，通常要么完全超出了機器學習書籍的范圍，要么被膚淺地考慮。
這本書填補了這一空白。
假設讀者了解機器學習的基礎知識，并且能夠使用喜愛的編程語言或機器學習庫來構建給定格式的數據集的模型。本書的目標讀者是傾向于機器學習工程角色的數據分析師、希望為工作帶來更多結構的機器學習工程師、機器學習工程專業的學生，以及經常處理數據分析師和機器學習工程師提供的模型的軟件架構師。
本書全面回顧了機器學習工程的最佳實踐和設計模式。我建議從頭到尾讀一遍。但是，您可以以任何順序閱讀章節，因為它們涵蓋了機器學習項目生命周期的不同方面，并且彼此之間沒有直接的依賴關系。
引言
雖然我假設您已經了解了機器學習的基礎知識，但是從定義開始仍然是很重要的，這樣我們就可以確保對貫穿全書的術語有一個共同的理解。我將重復我在那本一百頁的機器學習書中給出的一些定義，所以如果你讀了我的第一本書，不要驚訝于這一章的某些部分聽起來很熟悉。
1.什么是機器學習？
機器學習是計算機科學的一個分支，它關注的是如何構建有用的算法，這些算法依賴于一些現象的實例集合。這些例子可能來自大自然，可能是人類手工制作的，也可能是由其他算法生成的。機器學習也可以被定義為解決一個實際問題的過程: 1) 收集一個數據集，2) 通過算法訓練一個基于該數據集的統計模型。統計模型被認為是用來解決實際問題。為了節省敲擊鍵盤的時間，我將“學習”和“機器學習”這兩個術語互換使用。學習可以是監督的、半監督的、非監督的和強化的。
2.機器學習工程
機器學習工程(MLE)是利用機器學習的科學原理、工具和技術以及傳統的軟件工程來設計和構建復雜的計算系統。MLE包含從數據收集到模型構建，再到使模型可供產品或消費者使用的所有階段。
通常，數據分析師關心的是理解業務問題，構建解決問題的模型，并在受限的開發環境中對其進行評估。反過來,機器學習工程師關注采購來自不同系統的數據和位置和預處理,編程功能,構建一個有效的模型,將在生產環境中運行,共存與其他生產過程,是穩定的、可維護的方便不同類型的用戶提供不同的用例。
換句話說，MLE包括讓機器學習算法作為有效生產系統的一部分實現的任何活動。
在實踐中，機器學習工程師可能會從事以下工作:將數據分析師的代碼從相當慢的R和Python重寫為更高效的Java或c++，擴展這段代碼并使其更健壯，將代碼打包成易于部署的版本化包，優化機器學習算法以確保它生成與組織的生產環境兼容并能正常運行的模型。
在許多組織中，數據分析師執行一些MLE任務，例如數據收集、轉換和特性工程。另一方面，機器學習工程師經常執行一些數據分析任務，包括學習算法選擇、超參數調整和模型評估。
從事機器學習項目不同于從事典型的軟件工程項目。與傳統軟件不同的是，在傳統軟件中，程序的行為通常是確定的，而機器學習應用程序則包含一些模型，這些模型的性能可能會隨著時間的推移而自然地退化，或者開始表現得異常。模型的這種異常行為可以用各種原因來解釋，包括輸入數據的根本變化或更新的特征提取器，該提取器現在返回不同的值分布或不同類型的值。人們常說機器學習系統會無聲無息地失靈。一個機器學習工程師必須有能力防止這樣的故障，或者，當不可能完全預防它們時，知道如何檢測和處理它們。
3. 機器學習項目生命周期
機器學習項目生命周期
機器學習項目從理解業務目標開始。通常，業務分析人員與客戶和數據分析人員一起將業務問題轉換為工程項目。工程項目可能有也可能沒有機器學習部分。在這本書中，我們當然會考慮一些涉及到機器學習的工程項目。一旦定義了一個工程項目，這就是機器學習工程的范圍開始的地方。在更廣泛的工程項目范圍內，機器學習首先必須有一個明確的目標。
機器學習的目標是指定統計模型接收什么作為輸入，生成什么作為輸出，以及模型的可接受(或不可接受)行為的標準。機器學習的目標不一定與業務目標相同。業務目標是組織想要達到的目標。例如，谷歌和Gmail的業務目標是使Gmail成為最常用的電子郵件服務。谷歌可以創建多個機器學習工程項目來實現業務目標。其中一個機器學習項目的目標是區分個人郵件和促銷郵件，準確率在90%以上。
總的來說，一個機器學習項目的生命周期，如圖3所示，包括以下幾個階段:
- 目標定義
- 數據收集和準備
- 工程特點
- 模型建立
- 模型評價
- 模型部署
- 模型服務
- 監測模型
- 模型維護
在上圖中，藍色區域顯示了機器學習工程的范圍(以及本書的范圍)。實箭頭顯示了項目階段的典型流程。虛線箭頭表明，在某些階段，可以決定返回到流程中，或者收集更多的數據，或者收集不同的數據并修改特性(通過停用其中一些并設計新的特性)。
對于以上每個階段，書中都有一個獨特的章節。但是首先，讓我們討論一下如何確定機器學習項目的優先級，如何定義項目的目標，以及如何組織機器學習團隊。
177頁pdf下載鏈接： 鏈接: 提取碼: 5msb
付費5元查看完整內容
相關內容
“機器學習是近20多年興起的一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。機器學習理論主要是設計和分析一些讓
可以自動“
”的算法。機器學習算法是一類從數據中自動分析獲得規律，并利用規律對未知數據進行預測的算法。因為學習算法中涉及了大量的統計學理論，機器學習與統計推斷學聯系尤為密切，也被稱為統計學習理論。算法設計方面，機器學習理論關注可以實現的，行之有效的學習算法。很多
問題屬于
，所以部分的機器學習研究是開發容易處理的近似算法。”
——中文維基百科
R語言
·
首先加速介紹R生態系統、編程語言和工具，包括R腳本和RStudio。通過使用許多例子和項目，這本書教你如何將數據導入R，以及如何使用R處理這些數據。一旦基礎扎實，《實用R 4》的其余部分將深入具體的項目和例子，從使用R和LimeSurvey運行和分析調查開始。接下來，您將使用R和MouselabWeb執行高級統計分析。然后，您將看到在沒有統計信息的情況下R如何工作，包括如何使用R自動化數據格式化、操作、報告和自定義函數。
本書的最后一部分討論了在服務器上使用R;您將使用R構建一個腳本，該腳本可以運行RStudio服務器并監視報表源的更改，以便在發生更改時向用戶發出警報。這個項目包括定期電子郵件提醒和推送通知。最后，您將使用R創建一個定制的個人最重要信息的每日綱要報告，例如天氣報告、每日日歷、待辦事項等等。這演示了如何自動化這樣一個過程，以便用戶每天早上導航到相同的web頁面并獲得更新的報告。
你將學到什么
- 設置并運行R腳本，包括在新機器上的安裝以及下載和配置R
- 使用RStudio Server將任何機器變成可從任何地方訪問的強大數據分析平臺
- 編寫基本的腳本并修改現有的腳本以滿足自己的需要。
- 在R中創建基本的HTML報告，根據需要插入信息
- 構建一個基本的R包并發布它
這本書是給誰的
- 建議您之前接觸過統計學、編程和SAS，但不是必需的。
付費5元查看完整內容
?
改進您的編程技術和方法，成為一個更有生產力和創造性的Python程序員。本書探索了一些概念和特性，這些概念和特性不僅將改進您的代碼，而且還將幫助您理解Python社區，并對Python哲學有深入的了解和詳細的介紹。
專業的Python 3，第三版給你的工具寫干凈，創新的代碼。它首先回顧了一些核心的Python原則，這些原則將在本書后面的各種概念和示例中進行說明。本書的前半部分探討了函數、類、協議和字符串的各個方面，描述了一些技術，這些技術可能不是常見的知識，但它們共同構成了堅實的基礎。后面的章節涉及文檔、測試和應用程序分發。在此過程中，您將開發一個復雜的Python框架，該框架將整合在本書中所學到的思想。
這個版本的更新包括Python 3中迭代器的角色、用Scrapy和BeautifulSoup進行web抓取、使用請求調用沒有字符串的web頁面、用于分發和安裝的新工具等等。在本書的最后，您將準備好部署不常見的特性，這些特性可以將您的Python技能提升到下一個級別。
你將學習
- 用各種類型的Python函數實現程序
- 使用類和面向對象編程
- 使用標準庫和第三方庫中的字符串
- 使用Python獲取web站點數據
- 通過編寫測試套件來自動化單元測試
- 回顧成像、隨機數生成和NumPy科學擴展
- 理解Python文檔的精髓，以幫助您決定分發代碼的最佳方式
這本書是給誰看的 熟悉Python的中級程序員，希望提升到高級水平。您應該至少編寫了一個簡單的Python應用程序，并且熟悉基本的面向對象方法、使用交互式解釋器和編寫控制結構。
付費5元查看完整內容
這本教科書解釋的概念和技術需要編寫的程序，可以有效地處理大量的數據。面向項目和課堂測試，這本書提出了一些重要的算法，由例子支持，給計算機程序員面臨的問題帶來意義。計算復雜性的概念也被介紹，演示什么可以和不可以被有效地計算，以便程序員可以對他們使用的算法做出明智的判斷。特點:包括介紹性和高級數據結構和算法的主題，與序言順序為那些各自的課程在前言中提供; 提供每個章節的學習目標、復習問題和編程練習，以及大量的說明性例子; 在相關網站上提供可下載的程序和補充文件，以及作者提供的講師資料; 為那些來自不同的語言背景的人呈現Python的初級讀本。
付費5元查看完整內容
掌握通過機器學習和深度學習識別和解決復雜問題的基本技能。使用真實世界的例子，利用流行的Python機器學習生態系統，這本書是你學習機器學習的藝術和科學成為一個成功的實踐者的完美伴侶。本書中使用的概念、技術、工具、框架和方法將教會您如何成功地思考、設計、構建和執行機器學習系統和項目。
使用Python進行的實際機器學習遵循結構化和全面的三層方法，其中包含了實踐示例和代碼。
第1部分側重于理解機器學習的概念和工具。這包括機器學習基礎，對算法、技術、概念和應用程序的廣泛概述，然后介紹整個Python機器學習生態系統。還包括有用的機器學習工具、庫和框架的簡要指南。
第2部分詳細介紹了標準的機器學習流程，重點介紹了數據處理分析、特征工程和建模。您將學習如何處理、總結和可視化各種形式的數據。特性工程和選擇方法將詳細介紹真實數據集，然后是模型構建、調優、解釋和部署。
第3部分探討了多個真實世界的案例研究，涵蓋了零售、交通、電影、音樂、營銷、計算機視覺和金融等不同領域和行業。對于每個案例研究，您將學習各種機器學習技術和方法的應用。動手的例子將幫助您熟悉最先進的機器學習工具和技術，并了解什么算法最適合任何問題。
實用的機器學習與Python將授權您開始解決您自己的問題與機器學習今天!
你將學習：
- 執行端到端機器學習項目和系統
- 使用行業標準、開放源碼、健壯的機器學習工具和框架實現實踐示例
- 回顧描述機器學習和深度學習在不同領域和行業中的應用的案例研究
- 廣泛應用機器學習模型，包括回歸、分類和聚類。
- 理解和應用深度學習的最新模式和方法，包括CNNs、RNNs、LSTMs和transfer learning。
這本書是給誰看的 IT專業人士、分析師、開發人員、數據科學家、工程師、研究生
目錄：
Part I: Understanding Machine Learning
- Chapter 1: Machine Learning Basics
- Chapter 2: The Python Machine Learning Ecosystem Part II: The Machine Learning Pipeline
- Chapter 3: Processing, Wrangling and Visualizing Data
- Chapter 4: Feature Engineering and Selection
- Chapter 5: Building, Tuning and Deploying Models Part III: Real-World Case Studies
- Chapter 6: Analyzing Bike Sharing Trends
- Chapter 7: Analyzing Movie Reviews Sentiment
- Chapter 8: Customer Segmentation and Effective Cross Selling
- Chapter 9: Analyzing Wine Types and Quality
- Chapter 10: Analyzing Music Trends and Recommendations
- Chapter 11: Forecasting Stock and Commodity Prices
Chapter 12: Deep Learning for Computer Vision
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191