Благодаря серии выдающихся достижений глубокое обучение значительно усилило всю область машинного обучения. В наше время даже программисты, почти ничего не знающие об этой технологии, могут использовать простые и эффективные инструменты для реализации программ, которые способны обучаться на данных. Новое издание книги-бестселлера, опирающееся на конкретные примеры, минимум теории и готовые фреймворки Python производственного уровня, поможет вам получить интуитивное представление о концепциях и инструментах, предназначенных для построения интеллектуальных систем.

Маркос Лопез де Прадо делится тем, что обычно скрывают - самыми прибыльными алгоритмами машинного обучения, которые он использовал на протяжении двух десятилетий, чтобы управлять большими пулами средств самых требовательных инвесторов. Машинное обучение меняет практически каждый аспект нашей жизни, алгоритмы МО выполняют задачи, которые до недавнего времени доверяли только проверенным экспертам. В ближайшем будущем машинное обучение будет доминировать в финансах, гадание на кофейной гуще уйдет в прошлое.

Если вы интересуетесь машинным обучением (Machine Learning) и глубоким обучением (Deep Learning), то этот двухтомник для вас. Книга оказалась очень большой, поэтому я сделал ее двухтомником с примерно одинаковым размером. Поскольку двухтомник является, по существу, одной книгой, второй том начинается там, где заканчивается первый. В первом томе изложены фундаментальные основы глубокого обучения. Второй том посвящен нейронным сетям – быстро развивающемуся направлению машинного обучения.

Второй том посвящен нейронным сетям – быстро развивающемуся направлению машинного обучения. Многие инструменты машинного обучения и особенно глубокого обучения имеются в многочисленных библиотеках со свободным доступом, которые любой при желании может немедленно загрузить. Но хотя эти инструменты легко доступны и легко устанавливаемы, они все же требуют значительных технических знаний для правильного их применения. В главах 15, 23 и 24 мы будем обсуждать научную библиотеку машинного обучения Scikit-learn и библиотеку глубокого обучения Keras.

Во все более сконцентрированном вокруг информационных технологий мире количество этой самой информации растет не по дням , а по часам, она производится, обрабатывается и хранится каждый день. Эти данные могут поступать от автоматического обнаружения систем, датчиков и научных приборов, а могут поступать от любого человека, когда, например, он делаете вывод из банка или совершает покупку, когда записывает блог или публикуется в социальных сетях. Каковы же эти данные? Они ведь еще не являются информацией, в бесформенном потоке байтов на первый взгляд трудно понять их сущность, если, конечно, они не являются строго формализованными, например, числом, словом, временем... Информация на самом деле - это результат обработки, который может быть использован различными способами. Этот процесс извлечения информации из необработанных данных называется анализом данных.

На взгляд автора книги, машинное обучение, применение и наука алгоритмов, которые дают ключ к пониманию данных, является самой захватывающей областью всех компьютерных наук! Мы живем в то время, когда данные изобилуют. Используя алгоритмы машинного обучения, мы можем превратить эти данные в знания. Благодаря многим мощным библиотекам с открытым исходным кодом, которые были разработаны в последние годы, вероятно, еще никогда не было более подходящего времени, чтобы узнать, как использовать мощные алгоритмы для определения шаблонов в данных и делать прогнозы о будущих событиях.