Автор: Serrano
Название: Глубокое понимание машинного обучения. Второе издание (2026)
Описание:
Язык: английский
Машинное обучение часто выглядит как закрытый клуб для математиков. Формулы, термины и абстрактные графики есть, а понимания того, что происходит внутри модели, нет. Luis G. Serrano предлагает другой путь: разбирать алгоритмы через интуицию, наглядные примеры и живой код. Так каждая идея становится частью общей картины, а не остаётся заученным определением.
Второе издание полностью обновлено. Кроме классики вроде регрессии и деревьев решений, в нём разобраны трансформеры, механизм внимания, большие языковые модели и генеративные нейросети. Книга пригодится и тем, кто только начинает, и тем, кто уже работал с ML-библиотеками и хочет понять, почему они устроены именно так.
Книга на английском языке и написана простым, понятным стилем. Упражнения на Python позволяют сразу проверить теорию на практике, без долгого изучения высшей математики.
Это практическое руководство. Его цель не в том, чтобы научить запускать готовые ML-инструменты, а в том, чтобы помочь разобраться в их внутренней логике и работать с ними осознанно. Второе издание «Grokking Machine Learning» ведёт читателя по шагам и простым языком, сохраняя баланс между теорией и практикой. Главное внимание автор уделяет интуитивному пониманию алгоритмов, а каждое объяснение подкрепляет примерами, визуализациями и практическими заданиями на Python. Поэтому книга полезна и новичкам, и разработчикам, которые уже используют машинное обучение в работе.
Материал идёт от простого к сложному. В машинное обучение вы погружаетесь постепенно, без потока терминов с первых страниц.
Основы машинного обучения:
Дальше автор по шагам разбирает базовые инструменты машинного обучения.
Классические алгоритмы и методы:
Во втором издании, полностью переработанном, разобраны и самые актуальные технологии.
Современные направления ИИ:
Большая часть книги отведена упражнениям и мини-проектам на Python. Они помогают закрепить материал и получить реальный опыт работы с данными.
Что вы будете делать на практике:
Почему стоит выбрать именно это издание:
Книга подойдёт тем, кто хочет получить прочную базу в машинном обучении и научиться уверенно применять современные алгоритмы в реальных задачах. В ней сочетаются доступная подача, актуальный материал и практическая направленность, поэтому учиться интересно и результативно.
Для кого подойдёт:
Что получите:
Подробнее:
Скачать:
Название: Глубокое понимание машинного обучения. Второе издание (2026)
Описание:
Язык: английский
Машинное обучение часто выглядит как закрытый клуб для математиков. Формулы, термины и абстрактные графики есть, а понимания того, что происходит внутри модели, нет. Luis G. Serrano предлагает другой путь: разбирать алгоритмы через интуицию, наглядные примеры и живой код. Так каждая идея становится частью общей картины, а не остаётся заученным определением.
Второе издание полностью обновлено. Кроме классики вроде регрессии и деревьев решений, в нём разобраны трансформеры, механизм внимания, большие языковые модели и генеративные нейросети. Книга пригодится и тем, кто только начинает, и тем, кто уже работал с ML-библиотеками и хочет понять, почему они устроены именно так.
Книга на английском языке и написана простым, понятным стилем. Упражнения на Python позволяют сразу проверить теорию на практике, без долгого изучения высшей математики.
Это практическое руководство. Его цель не в том, чтобы научить запускать готовые ML-инструменты, а в том, чтобы помочь разобраться в их внутренней логике и работать с ними осознанно. Второе издание «Grokking Machine Learning» ведёт читателя по шагам и простым языком, сохраняя баланс между теорией и практикой. Главное внимание автор уделяет интуитивному пониманию алгоритмов, а каждое объяснение подкрепляет примерами, визуализациями и практическими заданиями на Python. Поэтому книга полезна и новичкам, и разработчикам, которые уже используют машинное обучение в работе.
Материал идёт от простого к сложному. В машинное обучение вы погружаетесь постепенно, без потока терминов с первых страниц.
Основы машинного обучения:
- Что такое ML, какие задачи он решает и где применяется.
- Как алгоритмы «учатся» находить закономерности в данных.
- Чем машинное обучение отличается от традиционного программирования.
Дальше автор по шагам разбирает базовые инструменты машинного обучения.
Классические алгоритмы и методы:
- Линейная и логистическая регрессия.
- Деревья решений и ансамблевые методы.
- Предобработка данных и feature engineering.
- Основы нейронных сетей и их применение.
Во втором издании, полностью переработанном, разобраны и самые актуальные технологии.
Современные направления ИИ:
- Трансформеры и архитектуры внимания.
- Большие языковые модели (LLM).
- Генеративные модели изображений и текста.
Большая часть книги отведена упражнениям и мини-проектам на Python. Они помогают закрепить материал и получить реальный опыт работы с данными.
Что вы будете делать на практике:
- Строить свои первые модели в несколько строк кода.
- Проводить обработку и анализ данных.
- Создавать ML-прототипы и улучшать их качество.
- Разбираться в устройстве современных нейросетевых архитектур.
Почему стоит выбрать именно это издание:
- Понятное объяснение сложных вещей — без избыточной математики.
- Современные технологии — включая LLM и трансформеры.
- Практика на каждом шаге — упражнения, задания, мини-проекты.
- Визуальный подход — интуитивные иллюстрации помогают быстро усваивать концепции.
Книга подойдёт тем, кто хочет получить прочную базу в машинном обучении и научиться уверенно применять современные алгоритмы в реальных задачах. В ней сочетаются доступная подача, актуальный материал и практическая направленность, поэтому учиться интересно и результативно.
Для кого подойдёт:
- Начинающим разработчикам, делающим первые шаги в ML.
- Специалистам, которые хотят систематизировать разрозненные знания.
- Тем, кто предпочитает визуальный и практический подход к обучению.
- Python-разработчикам и аналитикам, которые хотят понять устройство трансформеров и LLM.
- Студентам технических специальностей, изучающим искусственный интеллект.
Что получите:
- Интуитивное понимание того, как алгоритмы учатся на данных.
- Разбор классических методов: регрессий, деревьев решений, ансамблей и нейросетей.
- Понимание устройства трансформеров, больших языковых моделей и генеративных моделей.
- Упражнения и мини-проекты на Python для закрепления материала.
- Прочную базу для применения машинного обучения в реальных задачах.
Подробнее:
Подробности доступны после входа
Войдите или создайте аккаунт, чтобы посмотреть скрытую информацию.
Скачать: