Книга "Low-Code AI" – это практическое руководство для тех, кто хочет войти в мир машинного обучения, не имея глубоких познаний в программировании. Она ориентирована на бизнес-пользователей и «гражданских дата-сайентистов», которые стремятся применять инструменты машинного обучения для решения бизнес-задач, используя упрощенные платформы, такие как Google Colab, Vertex AI AutoML и BigQuery ML.
Книга охватывает широкий спектр тем: от основ машинного обучения и работы с данными до построения и оптимизации моделей с использованием AutoML и BigQuery ML. Особое внимание уделяется практическим примерам, демонстрирующим, как применять машинное обучение в различных отраслях, таких как прогнозирование продаж и обнаружение мошеннических транзакций. Однако для эффективного использования Low-Code/No-Code инструментариев необходимо их уверенное знание.
Рассматриваются как автоматизированные инструменты, так и методы создания моделей с пользовательским кодом на Python с использованием библиотек scikit-learn и Keras. Подчеркивается важность понимания принципов анализа данных и тщательной подготовки данных для достижения качественных результатов.
Книга делает акцент на экосистеме Google Cloud, однако, даются рекомендации по изучению альтернативных платформ, таких как Microsoft Azure и AWS. Несмотря на упрощенный подход, авторы подчеркивают необходимость внимательности, терпения и базового понимания анализа данных для успешного освоения материала.
Изображение носит иллюстративный характер
Книга охватывает широкий спектр тем: от основ машинного обучения и работы с данными до построения и оптимизации моделей с использованием AutoML и BigQuery ML. Особое внимание уделяется практическим примерам, демонстрирующим, как применять машинное обучение в различных отраслях, таких как прогнозирование продаж и обнаружение мошеннических транзакций. Однако для эффективного использования Low-Code/No-Code инструментариев необходимо их уверенное знание.
Рассматриваются как автоматизированные инструменты, так и методы создания моделей с пользовательским кодом на Python с использованием библиотек scikit-learn и Keras. Подчеркивается важность понимания принципов анализа данных и тщательной подготовки данных для достижения качественных результатов.
Книга делает акцент на экосистеме Google Cloud, однако, даются рекомендации по изучению альтернативных платформ, таких как Microsoft Azure и AWS. Несмотря на упрощенный подход, авторы подчеркивают необходимость внимательности, терпения и базового понимания анализа данных для успешного освоения материала.
