Книги для дата сайентистов | Data Science

📍Геоданные и временные ряды в Spark: хаос или порядок? GPS-координаты, карты, временные метки — данные есть, но как с ними работать? Стандартные методы тормозят, запросы громоздкие, аналитика требует вечности. 💡Есть решение. На открытом вебинаре «Обработка геопространственных и временных данных на Spark» 11 марта в 20:00 (мск): - Разберём пространственные данные: координаты, маршруты, карты - Научимся анализировать временные ряды с трендами и предсказаниями - Проанализируем реальные кейсы: GPS-данные, сенсоры IoT, анализ движения 📢 Спикер Вадим Заигрин — опытный разработчик, Data Engineer и Data Scientist. Team Lead команд инженеров данных на разных проектах. Все участники получат скидку на большое обучение «Spark Developer». ➡️ Регистрируйтесь, чтобы не пропустить: https://clck.ru/3GaNbR Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576

⚠️ В машинном обучении, как в любви: слишком идеальные предсказания – это подозрительно! Когда модель слишком прилипчива к тренировочным данным, результат оказывается… ну, как в отношениях, когда всё кажется идеальным, но реальность ломает сердце. ❌ Оверфиттинг (Overfitting) – модель так хорошо запомнила тренировочные данные, что на реальных данных начинает путаться. 💔 В любви: «Я выбрал идеального партнёра по профилю, а в жизни выяснилось, что его «идеальность» – всего лишь иллюзия!» ❌ Андерфиттинг (Underfitting) – модель обучена настолько поверхностно, что предсказывает мэтчи случайным образом. 💔 В любви: «Мне нравятся только люди с именем Александр, а всех остальных я даже не замечаю – бедный фильтр!» ❌ Неправильный выбор фичей (Feature Selection Fail) – если модель опирается на неважные признаки, она предсказывает мэтчи хуже случайности. 💔 В любви: «Ты любишь авокадо? Значит, мы созданы друг для друга!» – а потом оказывается, что это вовсе не про важное. 🎯 На вебинаре мы разобрали, как избежать этих ошибок и создать работающую модель для speed dating, которая на самом деле помогает находить любовь! Вчера мы не просто говорили о любви – мы её предсказывали! 🔥 Спасибо всем, кто был с нами и участвовал! 💘 Как же это было? Если ты пропустил вебинар или хочешь пересмотреть запись – просто перейди по [ссылке] и получи видео 😉

Вам нравится читать контент на этом канале? Возможно, вы задумывались о том, чтобы купить на нем интеграцию? Следуйте 3 простым шагам, чтобы сделать это: 1) Нажмите на ссылку: Вход 2) Пополняйтесь удобным способом 3) Размещайте публикацию Если тематика вашего поста подойдет нашему каналу, мы с удовольствием опубликуем его.

Как классическая классификация ML помогает в реальном мире 🤖 Классификация в ML — это метод обучения, в котором модель обучается на размеченных данных и предсказывает, к какому классу относится новый объект. ✅ Фильтрация спама – чтобы в почте оставалось только важное. ✅ Рекомендации фильмов – Netflix знает, что ты любишь! ✅ Кредитный скоринг – банки решают, дать ли тебе займ. ✅ Предсказание мэтчей – как на нашем вебинаре по speed dating. 14 февраля мы разберём на практике задачу классификации: - Как выбрать оптимальные признаки - Что делать с несбалансированными данными - Как интерпретировать результаты модели 🔥 Если уже работаешь с ML или только начинающий программист – приходи на наш вебинар, в котором мы разберем «как предсказывать мэтч на speed dating» . Приходи!

📚Mastering TensorFlow 2.x: Implement Powerful Neural Nets across Structured, Unstructured datasets and Time Series Data (2022) ✍️Автор: Rajdeep Dua 📃Страниц: 591 Книга предназначена для инженеров по машинному обучению, NLP-инженеров и практиков глубокого обучения, которые хотят использовать TensorFlow в своих проектах по ML. Ожидается, что читатели имеют небольшой опыт работы с Tensorflow. Ссылка на книгу

Swipe right or swipe left Что делать, если твои мэтчи в жизни не такие точные, как твой код? Спокойно, 14 февраля в 19:00 по МСК мы разберём, как ML анализирует speed dating и предсказывает match. 📌 Мы возьмем реальные данные со speed dating. 📌 Обучим модель, которая скажет: match или swipe left. 📌 Разберём, какие признаки реально важны (спойлер: работа в IT — не прям гарантия успеха (наши маркетологи подтверждают 😥). 💡 Приходи, если хочешь прокачать свой Python, ML и, возможно, станешь идеальной парой, как самый стильные форсы. 👉 Записаться

📚Hands-On Neural Networks with Keras (2019) ✍️Автор: Niloy Purkait 📃Страниц: 591 Практические занятия с Крис по нейронным сетям начнутся с ознакомления с основными концепциями нейронных сетей. Вы научитесь комбинировать различные модели нейронных сетей и работать с примерами использования в реальных условиях, включая компьютерное зрение, понимание естественного языка, генерацию синтетических данных и многое другое. Двигаясь дальше, вы станете хорошо разбираться в сверточных нейронных сетях (CNN), рекуррентных нейронных сетях (RNN), сетях с длительной кратковременной памятью (LSTM), автоэнкодерах и генеративных состязательных сетях (GAN), использующих реальные обучающие наборы данных. Мы рассмотрим, как использовать CNNS для распознавания изображений, как использовать агенты обучения с подкреплением и многое другое. Мы рассмотрим конкретные архитектуры различных сетей, а затем реализуем каждую из них на практике, используя отраслевые платформы. Ссылка на книгу

📚Machine Learning Algorithms (2018) ✍️Автор: Giuseppe Bonaccorso 📃Страниц: 295 Эта книга послужит отправной точкой для всех, кто хочет сделать карьеру в области машинного обучения. В этой книге рассматриваются несколько известных алгоритмов: линейная регрессия, логистическая регрессия, SUM, наивный байесовский метод, K-среднее, случайный лес, тензорный поток и разработка функций. Ссылка на книгу

📚Practical Mathematics for AI and Deep Learning: A Concise yet In-Depth Guide on Fundamentals of Computer Vision, NLP, Complex Deep Neural Networks and Machine Learning (2024) ✍️Автор: Tamoghna Ghosh, Shravan Kumar Belagal Math 📃Страниц: 436 Эта книга познакомит вас с общими терминами, используемыми в искусственном интеллекте, такими как модели, данные, параметры моделей, зависимые и независимые переменные. Алгоритмы байесовской линейной регрессии, гауссовой смешанной модели, стохастического градиентного спуска и обратного распространения изучаются с нуля. Здесь объясняется и сравнивается подавляющее большинство сложных математических операций, необходимых для сложных вычислений с использованием искусственного интеллекта, таких как модели авторегрессии, циклические вычисления GAN и оптимизация CNN. Ссылка на книгу

📚Natural Language Processing for TensorFlow, NLTK, Keras with Python (2024) ✍️Автор: Millie, Katie 📃Страниц: 139 Это всеобъемлющее руководство, разработанное как для начинающих, так и для опытных программистов, снабдит вас знаниями и инструментами для освоения анализа текста с помощью Python. Являетесь ли вы специалистом по обработке данных, стремящимся извлечь ценную информацию, разработчиком интеллектуальных приложений или просто человеком, очарованным силой языка, эта книга - ваши врата в увлекательный мир НЛП. Ссылка на книгу

📚Mastering Computer Vision with PyTorch 2.0: Discover, Design, and Build Cutting-Edge High Performance Computer Vision Solutions with PyTorch 2.0 and Deep Learning Techniques (2024) ✍️Автор: M. Arshad Siddiqui 📃Страниц: 369 Познакомьтесь с методами глубокого обучения для создания приложений для обработки изображений с использованием Pitch с помощью записных книжек с кодом и тестовых вопросов Ссылка на книгу

📚Machine Learning with R: Learn techniques for building and improving machine learning models (2024) ✍️Автор: Brett Lantz 📃Страниц: 763 Познакомьтесь с R с помощью этого руководства по машинному обучению на основе анализа данных (ML). В четвертом издании "Машинное обучение с помощью R" вы познакомитесь с методами классификации, такими как "ближайший сосед", наивное байесовское и регрессионное моделирование, от простого линейного до логистического. Ссылка на книгу

📚Machine Learning For Network Traffic and Video Quality Analysis: Develop and Deploy Applications Using JavaScript and Node.js (2024) ✍️Автор: Tulsi Pwawn Fowdur 📃Страниц: 475 Книга начинается с изучения NTMA, объяснения фундаментальных концепций и обзора существующих приложений и исследований в этой области. В ней также рассматриваются основы VQA и предлагается обзор последних разработок в области алгоритмов VQA. В книге подробно рассматриваются алгоритмы машинного обучения, которые находят применение как в NTMA, так и в VQA, с особым акцентом на алгоритмы классификации и прогнозирования, такие как многослойный персептрон и метод опорных векторов Ссылка на книгу

📚Neural Networks with TensorFlow and Keras: Training, Generative Models, and Reinforcement Learning (2025) ✍️Автор: Philip Hua 📃Страниц: 144 В этой книге будут рассмотрены эти и другие архитектуры и методы глубокого обучения, которые помогут вам создавать решения с использованием Keras и библиотеки TensorFlow. Вы также ознакомитесь с различными архитектурами нейронных сетей, включая LeNet, AlexNet, VGG, Inception, R-CNN, Fast R-CNN, Faster R-CNN, Mask R-CNN, YOLO и SqueezeNet, и увидите, как они работают с кодом на Python, используя лучшие практики, советы, хитрости, сочетания клавиш и многое другое. подводные камни. Все фрагменты кода будут разобраны и тщательно обсуждены, чтобы вы могли реализовать те же принципы в своих соответствующих средах. Ссылка на книгу

📚Computer Vision Using Deep Learning: Neural Network Architectures with Python and Keras (2021) ✍️Автор: Vaibhav Verdhan 📃Страниц: 167 В этой книге будут рассмотрены эти и другие архитектуры и методы глубокого обучения, которые помогут вам создавать решения с использованием Keras и библиотеки TensorFlow. Вы также ознакомитесь с различными архитектурами нейронных сетей, включая LeNet, AlexNet, VGG, Inception, R-CNN, Fast R-CNN, Faster R-CNN, Mask R-CNN, YOLO и SqueezeNet, и увидите, как они работают с кодом на Python, используя лучшие практики, советы, хитрости, сочетания клавиш и многое другое. подводные камни. Все фрагменты кода будут разобраны и тщательно обсуждены, чтобы вы могли реализовать те же принципы в своих соответствующих средах. Ссылка на книгу

🤖 📈 Data Science в 2025 году: 7 главных трендов Разработчики JetBrains и Python Software Foundation рассказали, как изменится Data Science в ближайшие годы. ➡️ В статье: ▪️ Почему доля Python в анализе данных снижается ▪️ Какие библиотеки набирают популярность вместо pandas ▪️ Что происходит с AutoML, MLOps и визуализацией данных ▪️ И почему Rust и Julia наступают Python на пятки Подробный разбор, новые инструменты и прогнозы на будущее — всё это читай в нашей статье. 🔵 Тренды меняются, но основы остаются — укрепи базу с нашим курсом «Математика для Data Science»

📚Hands-On Data Science for Librarians (2023) ✍️Автор: Sarah Lin, Dorris Scott 📃Страниц: 201 В этой книге основное внимание будет уделено обучению R на соответствующих примерах и навыкам, необходимым библиотекарям в повседневной жизни, которые включают в себя визуализацию, но идут гораздо дальше, включая поиск в Интернете, работу с картами, создание интерактивных отчетов, машинное обучение и другие. Хотя здесь есть место теории, этике и статистическим методам, библиотекарям нужен инструмент, который помог бы им освоить R в достаточной степени, чтобы использовать навыки работы с данными в своей повседневной работе, независимо от того, в какой библиотеке они работают (академической, публичной или специальной). Ссылка на книгу

📚Feature Engineering Made Easy (2018) ✍️Автор: Sinan Ozdemir, Divya Susarla 📃Страниц: 245 Разработка функциональных возможностей - самый важный шаг в создании мощных систем машинного обучения. Эта книга проведет вас по всему пути разработки функциональных возможностей, чтобы сделать машинное обучение более систематичным и эффективным. Ссылка на книгу

📚Approaching (almost) any machine learning problem (2020) ✍️Автор: abhishek thakur 📃Страниц: 301 Эта книга предназначена для людей, которые обладают некоторыми теоретическими знаниями о машинном обучении и глубоком обучении и хотят погрузиться в прикладное машинное обучение. В книге не объясняются алгоритмы, а больше рассказывается о том, как и что следует использовать для решения задач машинного обучения и глубокого обучения на практике. Эта книга не для вас, если вы ищете только основы. Эта книга для вас, если вы ищете рекомендации по решению задач машинного обучения. Читать книгу лучше всего за чашечкой кофе и ноутбуком / рабочей станцией, где вы можете заниматься программированием. Ссылка на книгу

📚Mathematics for Data Science: Linear Algebra with Matlab (2025) ✍️Автор: César Pérez López 📃Страниц: 390 Математика является важным инструментом для специалистов по обработке данных. Овладев этими математическими понятиями, специалисты по обработке данных смогут лучше понять механизмы, лежащие в основе алгоритмов машинного обучения, улучшить свои возможности по очистке данных и манипулированию ими, а также делать более точные прогнозы и принимать решения на основе данных. В Matlab есть функции, позволяющие легко работать с линейной алгеброй. В этой книге рассматриваются типичные темы по алгебре, такие как работа в дискретной математике с помощью численной алгебры в вещественных и комплексных областях Ссылка на книгу