Книга представляет собой учебник по машинному обучению с акцентом на коммерческие приложения. Она предлагает подробное описание наиболее важных подходов к машинному обучению, используемых в интеллектуальном анализе данных, охватывающих как теоретические концепции, так и практические приложения. Формальный математический материал дополняется пояснительными примерами, а примеры исследований иллюстрируют применение этих моделей в более широком контексте бизнеса.В книге рассмотрены информационное обучение, обучение на основе сходства, вероятностное обучение и обучение на основе ошибок. Описанию каждого из этих подходов предшествует объяснение основополагающей концепции, за которой следуют математические модели и алгоритмы, иллюстрированные подробными рабочими примерами. В книге рассматриваются методы оценки моделей прогнозирования и предлагаются два тематических исследования, которые описывают конкретные проекты анализа данных на каждом этапе разработки, начиная от формулирования бизнес-задачи и заканчивая реализацией аналитического решения.Книга может использоваться как учебник для студентов и аспирантов, специализирующихся в области машинного обучения, информатики, инженерии, математики и статистики, а также как справочник для профессионалов.Машинное обучение часто используется для построения прогностических моделей путем извлечения шаблонов из больших наборов данных.Эти модели используются в приложениях для прогнозирования данных, включая прогнозирование цен, оценку риска, прогнозирование поведения клиентов и классификацию документов. Этот вводный учебник предлагает подробное и целенаправленное рассмотрение наиболее важных подходов к компьютерному обучению, используемых в интеллектуальном анализе данных, охватывающих как теоретические концепции, так и практические приложения. Формальный математический материал дополняется пояснительными примерами, а примеры исследований иллюстрируют применение этих моделей в более широком контексте бизнеса.После обсуждения перехода от подготовки данных до понимания решения, в книге описываются четыре подхода к компьютерному обучению: информационное обучение, обучение на основе сходства, вероятностное обучение и обучение на основе ошибок. Описанию каждого из этих подходов предшествует объяснение основополагающей концепции, за которой следуют математические модели и алгоритмы, иллюстрированные подробными рабочими примерами. Наконец, в книге рассматриваются методы оценки моделей прогнозирования и предлагаются два тематических исследования, которые описывают конкретные проекты анализа данных на каждом этапе разработки, начиная от формулирования бизнес-задачи и заканчивая реализацией аналитического решения.Книга является результатом многолетней работы авторов в области машинного обучения и интеллектуального анализа данных и подходит для использования студентами в области информатики, инженерии, математики или статистики, аспирантами, специализирующимися в областях, связанных с интеллектуальным анализом данных, а также профессионалами в качестве справочника."Книга написана учеными, но тесно связана с практикой. Действительно, интеллектуальный анализ данных и машинное обучение идут рука об руку: грубо говоря, прогнозирование зависит от обучения на прошлых примерах. И хотя Основы - это всеобъемлющий университетский учебник, авторы также признают, что интеллектуальный анализ данных является самым быстро развивающимся коммерческим применением машинного обучения. Благодаря этому данный чрезвычайно познавательный опус позволяет осветить концепции в тесной связи с отраслевыми тематическими исследованиями и передовыми методами, гарантируя, что вы ознакомитесь с лучшими практиками и сценариями использования и не заблудитесь в абстракциях".- Эрик Сигель (Eric Siegel), доктор философии, основатель компании Predictive Analytics World; автор книги Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die."В этой книге представлены превосходные описания ключевых методов, используемых в аналитическом прогнозировании. Однако уникальная ценность книги - понимание, которое она дает для практического применения этих методов. Тематические исследования и разделы по подготовке данных и качеству данных отражают реальные проблемы в эффективном использовании интеллектуальных аналитических средств".- Падрейг Каннингем (Padreig Cunningham), профессор информатики и информатики, Школа компьютерных наук, Университетский колледж Дублина; один из редакторов книги Machine Learning Techniques for Multimedia."Это замечательная самодостаточная книга, затрагивающая основные аспекты машинного обучения и представляющая их в ясном и интуитивно понятном свете. Авторы начинают с изложения основных идей и заканчивают более сложными информационными, вероятностными, статистическими и оптимизационными концепциями, делая акцент на том, как превратить бизнес-проблему в аналитическое решение, а также описывают соответствующие тематические исследования и приводят иллюстрации. Эта книга представляет собой легкое и увлекательное чтение, которое я рекомендую всем, кто заинтересован в том, чтобы узнать больше о механизмах машинного обучения и его приложениях для аналитического прогнозирования".-Натали Япковиц (Nathalie Japkowicz), профессор компьютерных наук, Университет Оттавы; соавтор книги Evaluating Learning Algorithms: A Classification Perspective.Об авторахДжон Келлехер лектор в Дублинском технологическом институте и член-учредитель Исследовательского центра прикладного анализа DIT.Брайан Мак-Нейми является преподавателем Университетского колледжа в Дублине.Аоифе д'Арси генеральный директор The Analytics Store, консалтинговой компании по анализу данных и анализу данных.
Kniga predstavlyaet soboy uchebnik po mashinnomu obucheniyu s aktsentom na kommercheskie prilozheniya. Ona predlagaet podrobnoe opisanie naibolee vazhnykh podkhodov k mashinnomu obucheniyu, ispolzuemykh v intellektualnom analize dannykh, okhvatyvayushchikh kak teoreticheskie kontseptsii, tak i prakticheskie prilozheniya. Formalnyy matematicheskiy material dopolnyaetsya poyasnitelnymi primerami, a primery issledovaniy illyustriruyut primenenie etikh modeley v bolee shirokom kontekste biznesa.V knige rassmotreny informatsionnoe obuchenie, obuchenie na osnove skhodstva, veroyatnostnoe obuchenie i obuchenie na osnove oshibok. Opisaniyu kazhdogo iz etikh podkhodov predshestvuet obyasnenie osnovopolagayushchey kontseptsii, za kotoroy sleduyut matematicheskie modeli i algoritmy, illyustrirovannye podrobnymi rabochimi primerami. V knige rassmatrivayutsya metody otsenki modeley prognozirovaniya i predlagayutsya dva tematicheskikh issledovaniya, kotorye opisyvayut konkretnye proekty analiza dannykh na kazhdom etape razrabotki, nachinaya ot formulirovaniya biznes-zadachi i zakanchivaya realizatsiey analiticheskogo resheniya.Kniga mozhet ispolzovatsya kak uchebnik dlya studentov i aspirantov, spetsializiruyushchikhsya v oblasti mashinnogo obucheniya, informatiki, inzhenerii, matematiki i statistiki, a takzhe kak spravochnik dlya professionalov.Mashinnoe obuchenie chasto ispolzuetsya dlya postroeniya prognosticheskikh modeley putem izvlecheniya shablonov iz bolshikh naborov dannykh.Eti modeli ispolzuyutsya v prilozheniyakh dlya prognozirovaniya dannykh, vklyuchaya prognozirovanie tsen, otsenku riska, prognozirovanie povedeniya klientov i klassifikatsiyu dokumentov. Etot vvodnyy uchebnik predlagaet podrobnoe i tselenapravlennoe rassmotrenie naibolee vazhnykh podkhodov k kompyuternomu obucheniyu, ispolzuemykh v intellektualnom analize dannykh, okhvatyvayushchikh kak teoreticheskie kontseptsii, tak i prakticheskie prilozheniya. Formalnyy matematicheskiy material dopolnyaetsya poyasnitelnymi primerami, a primery issledovaniy illyustriruyut primenenie etikh modeley v bolee shirokom kontekste biznesa.Posle obsuzhdeniya perekhoda ot podgotovki dannykh do ponimaniya resheniya, v knige opisyvayutsya chetyre podkhoda k kompyuternomu obucheniyu: informatsionnoe obuchenie, obuchenie na osnove skhodstva, veroyatnostnoe obuchenie i obuchenie na osnove oshibok. Opisaniyu kazhdogo iz etikh podkhodov predshestvuet obyasnenie osnovopolagayushchey kontseptsii, za kotoroy sleduyut matematicheskie modeli i algoritmy, illyustrirovannye podrobnymi rabochimi primerami. Nakonets, v knige rassmatrivayutsya metody otsenki modeley prognozirovaniya i predlagayutsya dva tematicheskikh issledovaniya, kotorye opisyvayut konkretnye proekty analiza dannykh na kazhdom etape razrabotki, nachinaya ot formulirovaniya biznes-zadachi i zakanchivaya realizatsiey analiticheskogo resheniya.Kniga yavlyaetsya rezultatom mnogoletney raboty avtorov v oblasti mashinnogo obucheniya i intellektualnogo analiza dannykh i podkhodit dlya ispolzovaniya studentami v oblasti informatiki, inzhenerii, matematiki ili statistiki, aspirantami, spetsializiruyushchimisya v oblastyakh, svyazannykh s intellektualnym analizom dannykh, a takzhe professionalami v kachestve spravochnika."Kniga napisana uchenymi, no tesno svyazana s praktikoy. Deystvitelno, intellektualnyy analiz dannykh i mashinnoe obuchenie idut ruka ob ruku: grubo govorya, prognozirovanie zavisit ot obucheniya na proshlykh primerakh. I khotya Osnovy - eto vseobemlyushchiy universitetskiy uchebnik, avtory takzhe priznayut, chto intellektualnyy analiz dannykh yavlyaetsya samym bystro razvivayushchimsya kommercheskim primeneniem mashinnogo obucheniya. Blagodarya etomu dannyy chrezvychayno poznavatelnyy opus pozvolyaet osvetit kontseptsii v tesnoy svyazi s otraslevymi tematicheskimi issledovaniyami i peredovymi metodami, garantiruya, chto vy oznakomites s luchshimi praktikami i stsenariyami ispolzovaniya i ne zabludites v abstraktsiyakh".- Erik Sigel (Eric Siegel), doktor filosofii, osnovatel kompanii Predictive Analytics World; avtor knigi Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die."V etoy knige predstavleny prevoskhodnye opisaniya klyuchevykh metodov, ispolzuemykh v analiticheskom prognozirovanii. Odnako unikalnaya tsennost knigi - ponimanie, kotoroe ona daet dlya prakticheskogo primeneniya etikh metodov. Tematicheskie issledovaniya i razdely po podgotovke dannykh i kachestvu dannykh otrazhayut realnye problemy v effektivnom ispolzovanii intellektualnykh analiticheskikh sredstv".- Padreyg Kanningem (Padreig Cunningham), professor informatiki i informatiki, SHkola kompyuternykh nauk, Universitetskiy kolledzh Dublina; odin iz redaktorov knigi Machine Learning Techniques for Multimedia."Eto zamechatelnaya samodostatochnaya kniga, zatragivayushchaya osnovnye aspekty mashinnogo obucheniya i predstavlyayushchaya ikh v yasnom i intuitivno ponyatnom svete. Avtory nachinayut s izlozheniya osnovnykh idey i zakanchivayut bolee slozhnymi informatsionnymi, veroyatnostnymi, statisticheskimi i optimizatsionnymi kontseptsiyami, delaya aktsent na tom, kak prevratit biznes-problemu v analiticheskoe reshenie, a takzhe opisyvayut sootvetstvuyushchie tematicheskie issledovaniya i privodyat illyustratsii. Eta kniga predstavlyaet soboy legkoe i uvlekatelnoe chtenie, kotoroe ya rekomenduyu vsem, kto zainteresovan v tom, chtoby uznat bolshe o mekhanizmakh mashinnogo obucheniya i ego prilozheniyakh dlya analiticheskogo prognozirovaniya".-Natali YApkovits (Nathalie Japkowicz), professor kompyuternykh nauk, Universitet Ottavy; soavtor knigi Evaluating Learning Algorithms: A Classification Perspective.Ob avtorakhDzhon Kellekher lektor v Dublinskom tekhnologicheskom institute i chlen-uchreditel Issledovatelskogo tsentra prikladnogo analiza DIT.Brayan Mak-Neymi yavlyaetsya prepodavatelem Universitetskogo kolledzha v Dubline.Aoife d'Arsi generalnyy direktor The Analytics Store, konsaltingovoy kompanii po analizu dannykh i analizu dannykh.