Если одной из ваших целей на ближайший год является расширение ваших знаний о машинном обучении, вы попали по адресу. Независимо от того, насколько вы опытны в алгоритмах, настройке гиперпараметров или MLOps, вы можете найти множество входов в эту тему, и наши авторы, многие из которых являются опытными экспертами по машинному обучению, обладают особым умением переводить сложные концепции в увлекательные и действенные сообщения.

На этой неделе мы выбрали одни из лучших статей по машинному обучению, которые мы опубликовали за последние недели, включая руководства вводного уровня, а также более продвинутые руководства и пошаговые руководства по проектам. Выберите один или прочитайте несколько: вы обязательно узнаете что-то новое.

  • Ознакомление с конвейерами машинного обучения. «Внедрение машинного обучения в производственной среде может быть сложным и трудоемким процессом для многих компаний, — говорит Чайма Затоут. Именно поэтому MLOps стал решающим подходом к целостному осмыслению рабочих процессов машинного обучения. Прочтите пост Чаймы, чтобы получить доступное, базовое введение в эту ключевую тему.
  • Дерево решений, терпеливо объясненное. Если вам не терпится познакомиться с настоящей моделью, не пропустите дебютную статью Фрауке Альбрехт в TDS. Это подробное пошаговое руководство, в котором показано, как построить дерево решений для задачи классификации, а также рассматривается как базовая математика, и реализация Python.

  • Под капотом рекомендательной системы. Вэнь Ян недавно получила награду Innovation Days от своей компании, и в ее последнем посте мы рассказываем о проекте, который привел ее к этому: инструмент на основе машинного обучения, который рекомендует пешеходные маршруты для любителей природы. Это увлекательное исследование того, что нужно для построения и обучения модели в сжатые сроки, а также полезная дорожная карта для успешной работы на хакатонах.
  • (Очень) подробное руководство по разработке функций. Оптимизация данных для модели, которую вы обучаете, может стать решающим фактором успеха вашего проекта. Отличное подробное исследование Доминика Польцера по разработке признаков охватывает семь распространенных подходов (от кодирования и векторизации до пересечения признаков) и показывает, как применять их к реальным наборам данных.
  • Взгляните на звезды (правда, звезды?). Если вы любите машинное обучение и астрономию, не пропустите недавнюю статью Мохаммеда Сайфуддина. Он решает проблему звездной классификации — как идентифицировать данное небесное тело как звезду, квазар или галактику на основе спектральных характеристик — с помощью тщательного (и хорошо объясненного) процесса моделирования.
  • Какой наилучший подход к решению бизнес-задач с помощью машинного обучения? Поскольку все больше и больше компаний полагаются на машинное обучение для решения таких важных задач, как прогнозирование оттока клиентов, ключевым моментом становится выбор правильного подхода. Самуэле Маццанти недавно разобрался с особенно распространенной дилеммой: лучше ли полагаться на несколько специализированных моделей или вместо этого выбрать одну общую модель.
  • За пределами машины: изучение обучения на основе правил. В основе руководства Кхуен Тран лежит важное наблюдение: человеческая интуиция и опыт в предметной области могут повысить производительность моделей машинного обучения. Далее она показывает, как мы можем использовать пакет Python для обучения людей, чтобы достичь результата, который является лучшим из двух миров.

Спасибо, как всегда, за поддержку нашей работы. Чтобы оказать максимально непосредственное влияние, подумайте о том, чтобы стать участником Medium.

До следующей переменной,

Редакторы TDS