Эта книга полезна в тот момент, когда нужно быстро собрать вместе математику, данные и код, а не изучать их как три отдельные темы.
Глава проводит от базовых алгоритмов и анализа данных к первым практическим экспериментам на TensorFlow, Keras и PyTorch, где важны не названия библиотек, а привычка запускать модели руками и сравнивать результаты.
Для интервью и архитектурных разговоров она хороша как мягкий вход в тему: помогает связать основы машинного обучения с тем, как инженеры на самом деле учатся работать с данными, моделями и экспериментами.
Практическая польза главы
База глубокого обучения
Глава быстро собирает в одну карту математику, классические алгоритмы машинного обучения и первые идеи из глубокого обучения.
Практика на инструментах
Через TensorFlow, Keras и PyTorch удобно увидеть, как один и тот же путь от идеи до эксперимента выглядит в разных инструментах.
Мост к современному AI
После этой базы проще переходить к большим языковым моделям и AI-инженерии без ощущения, что современные системы держатся только на новых названиях.
Материал для интервью
Через книгу удобно объяснять не только термины, но и то, как инженер переходит от теории к первым экспериментам и рабочим решениям.
Источник
Telegram: Книжный куб
Подробный обзор книги с комментариями по главам и разбором её практической пользы.
Глубокое обучение и анализ данных. Практическое руководство
Авторы: Дмитрий Малов
Издательство: БХВ-Петербург, 2023
Объём: 270 страниц
Короткое и понятное введение в глубокое обучение и анализ данных: базовая теория, классические алгоритмы машинного обучения, прикладные задачи и практика на TensorFlow, Keras и PyTorch.
О чем книга
Книга закрывает типичный разрыв: математику и классические алгоритмы машинного обучения объясняют отдельно от прикладного кода, и собрать из них рабочий навык сложно. Здесь путь идёт подряд — сначала математическая база и классические алгоритмы машинного обучения, затем и практика на трёх популярных фреймворках.
Цена такого темпа — обзорность: переход от классических ML-моделей к идёт быстро, а и первые эксперименты разбираются ровно настолько, чтобы запустить код, а не чтобы разобрать каждый вывод формулы.
Структура: 8 глав
Основы машинного обучения
Линейная алгебра, теория вероятностей и базовые постановки задач машинного обучения: классификация, регрессия, поиск аномалий, перевод, синтез. Есть короткий вводный блок по Python, ООП и процессу разработки.
Основные алгоритмы машинного обучения
Предобработка данных, снижение размерности, линейная и логистическая регрессия, деревья решений, метод опорных векторов, наивный Байес, k-means, kNN, случайный лес и градиентный бустинг.
Основы глубокого обучения
Обратное распространение ошибки, персептрон, цепи Маркова, машина Больцмана, сеть Хопфилда, сверточные и рекуррентные сети, трансформеры, автокодировщики и GAN.
Основы анализа данных
Методология CRISP-DM, роли в ML-команде, современные направления вроде синтетического медиаконтента, автоматизированного подбора моделей и MLOps, а также обзор TensorFlow, PyTorch и Keras.
Задачи глубокого обучения
Практические примеры: аугментация данных, компьютерное зрение на OpenCV, распознавание символов, обработка текста, аудио и видео.
TensorFlow
Примеры решения задач из главы 5 на TensorFlow.
Keras
Повторение прикладных задач через более высокоуровневый API Keras.
PyTorch
Реализация знакомых задач в экосистеме PyTorch с акцентом на практику.
Что особенно полезно
- Введение короткое и связное: путь от математики до прикладных задач проходится за один заход, без долгого разгона.
- Рабочий код идёт в комплекте — его можно сразу взять как стартовую точку и менять под свои эксперименты, а не писать с нуля.
- Книга закрывает разрыв между базовой теорией и первым практическим проектом, где обычно и застревают новички.
Что учитывать заранее
- Охват широкий, и расплата за это — глубина: многие темы даны обзорно, поэтому за деталями придётся идти в другие источники.
- Вторая глава плотная по числу алгоритмов на страницу — новичку легко потерять контекст и проскочить мимо сути.
- Без отдельных материалов по математике и машинному обучению уверенной практики, скорее всего, не получится — одной книги не хватит.
Практика
GitHub репозиторий
Код и графики из книги, с которых удобно повторять примеры и запускать собственные вариации.
Как читать книгу с максимальной пользой
Режим чтения здесь решает многое: быстрый проход по базовым главам и практика параллельно с ними. Темы вроде обратного распространения ошибки на одной теории почти не оседают — их проще удержать, когда сразу видишь их в коде.
Главы 1-4 пройти первыми — они выравнивают словарь и базовые понятия, без которых дальше легко запутаться.
На главах 5-8 не читать код, а запускать его из репозитория и руками менять параметры, данные и архитектуры: так теория закрепляется быстрее.
После книги переходить к материалам о рабочих AI-системах, больших языковых моделях и современной AI-инженерии — туда, где появляются качество, стоимость и эксплуатация.
Связанные главы
- Зачем знать ML и AI инженеру - Даёт карту раздела AI и ML и показывает, как эта книга встраивается в общую траекторию обучения.
- Точность (precision) и полнота (recall) на пальцах - Без этих двух метрик задачи классификации из книги невозможно честно оценить: тут разбирается, что они на самом деле измеряют и где их путают.
- AI Engineering (short summary) - Продолжает путь от базовой ML-практики к инженерии AI-систем, где важны качество, стоимость и эксплуатация.
- Hands-On Large Language Models (short summary) - Помогает перейти от классического глубокого обучения к большим языковым моделям, векторным представлениям и архитектурам генерации с извлечением контекста (RAG).
- Prompt Engineering for LLMs (short summary) - Расширяет прикладную часть за счёт проектирования запросов и контекста в приложениях, где работает большая языковая модель (LLM).