Машинное обучение на практике – от модели PyTorch до Kubeflow в облаке для BigData (Евгений Штольц)

[Кукарек]

Ссылка на картинку

В этой книге Главный Архитектор Департамента Архитектуры Управления Технической Архитектуры (Центра Облачных Компетенций Cloud Native и Корпоративного университета архитекторов) и архитектор решения Сбербанка делится знаниями и опытом с читателей в области ML, полученных в работе Школе архитекторов. Автор:

* проводит читателя через процесс создания, обучения и развития нейронной сети, показывая детально на примерах

* повышает кругозор, показывая, какое она может занимать место в BigData с точки зрения Архитектора

* знакомит с реальными моделями в продуктовой среде

Содержание
Введение в машинное обучение
Пишем свою сеть
Основы для написания сетей
Способы ускорения обучения
Создаём первую сеть
Улучшаем распознавание на цветных картинках
Современные архитектуры нейронных сетей
Использование предобученных сетей
Масштабирование ML
Получение данных от BigData
Подготовка данных
ML в промышленной среде
MLOps
ML в облачной среде
Компьютерное зрение и нейронные сети
Распознование эмоций
Reinforcement Learning – пишем своего агента
Финансовая оценка моделей AI
Реальное применение нейросети: TenserFlow (Keras) c Prometheus
Оценка качества обучения модели
Интеграция с различными источниками данных на примере Keras
Рекомендательные системы
Анализ пользовательского поведения