Инженерия машинного обучения
«Если вы собираетесь использовать машинное обучение для решения крупномасштабных практических задач, могу только порадоваться, что вы наткнулись на эту книгу. Читайте с удовольствием!»
Кэсси Козырков, главный специалист по теории принятия решений в Google
«Фундаментальная работа о практическом построении моделей машинного обучения и их развертывании в производственной среде. Подоспела как раз в тот момент, когда компании начали прозревать и осознавать, что для того, чтобы решение, основанное на машинном обучении, заработало, необходимы осознанные усилия инженеров и знакомство с передовыми практиками. Еще одна замечательная книга от Андрея!»
Каролис Урбонас, начальник отдела машинного обучения в Amazon
Новая книга Андрея Буркова, автора «Машинного обучения без лишних слов», мирового бестселлера, изданного на одиннадцати языках, – самая полная из существующих книг по прикладному ИИ. Содержит множество рекомендаций и паттернов проектирования надежных и масштабируемых решений в области машинного обучения. Андрей Бурков имеет степень доктора по ИИ и возглавляет группу машинного обучения в компании Gartner. Книга основана на собственном 15-летнем опыте Андрея в решении задач с помощью ИИ, а также на опубликованных работах лидеров индустрии.
Масштабируемые решения и ML-паттерны
Издание будет полезно специалистам, которые хотят изучить проектирование систем машинного обучения и применять проверенные инженерные подходы. Особое внимание уделяется паттернам, позволяющим создавать надежные и масштабируемые решения для крупномасштабных задач.
Отдельное направление книги — развертывание моделей машинного обучения в production. Практические рекомендации помогают понять, какие инженерные задачи необходимо учитывать при переходе от разработанной модели к полноценному прикладному ИИ-решению.
Книга также подойдет тем, кто хочет развивать навыки ML Engineering и прикладного искусственного интеллекта. Материал основан на практическом опыте автора и работах специалистов индустрии, поэтому будет полезен для перехода от изучения алгоритмов к созданию реальных ML-систем.
