Источник
Telegram: book_cube
Подробный обзор книги с личными комментариями по главам и практической ценности.
Глубокое обучение и анализ данных. Практическое руководство
Авторы: Дмитрий Малов
Издательство: БХВ-Петербург, 2023
Объём: 270 страниц
Краткое интро в deep learning и data science: базовая теория, классические ML-алгоритмы, прикладные задачи и практика на TensorFlow, Keras, PyTorch.
О чем книга
Это компактное интро в deep learning и data science: сначала база по математике и классическим ML-алгоритмам, затем прикладные задачи и практическая часть на трех популярных фреймворках.
Книгу удобно использовать как стартовую карту области, особенно если нужна быстрая систематизация перед самостоятельными экспериментами.
Структура: 8 глав
Основы машинного обучения
Линейная алгебра, теория вероятностей и базовые постановки задач ML: классификация, регрессия, аномалии, перевод, синтез. Есть короткий блок по Python/OOP и процессам разработки.
Основные алгоритмы машинного обучения
Предобработка данных, снижение размерности, линейная и логистическая регрессия, деревья решений, SVM, наивный Байес, k-means, kNN, случайный лес и градиентный бустинг.
Основы глубокого обучения
Backpropagation, персептрон, цепи Маркова, машина Больцмана, сеть Хопфилда, CNN, RNN, трансформеры, автокодировщики и GAN.
Основы data science
Методология CRISP-DM, роли в ML-команде (аналитик, data engineer, data scientist), тренды deepfake/AutoML/MLOps и обзор TensorFlow, PyTorch, Keras.
Задачи глубокого обучения
Практические кейсы: аугментация данных, компьютерное зрение с OpenCV, распознавание символов, NLP, обработка 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
- Краткое и понятное введение: можно быстро пройти карту тем от математики до прикладных задач.
- К книге приложен рабочий код, который удобно использовать как стартовую точку для экспериментов.
- Хорошо подходит как мост между базовой теорией и первыми практическими проектами.
Что учитывать заранее
- Материал очень широкий: многие темы изложены обзорно, без глубины.
- Во второй главе плотность алгоритмов высокая, новичку может не хватить темпа и контекста.
- Для уверенной практики почти наверняка понадобятся дополнительные источники по математике и ML.
Практика
GitHub репозиторий
Код и графики из книги для повторения и адаптации примеров.
Как читать книгу с максимальной пользой
Сначала пройти главы 1-4 как выравнивание терминов и базы.
Сразу запускать код из репозитория на главах 5-8 и менять параметры/датасеты руками.
После книги перейти к материалам про production AI и современные LLM-подходы.
Связанные главы
- Зачем знать ML и AI инженеру - Даёт карту раздела AI/ML и показывает, как эта книга встраивается в общую траекторию обучения.
- Precision и recall на пальцах - Закрепляет ключевые метрики качества классификации, которые нужны для практических задач из книги.
- AI Engineering (short summary) - Продолжает путь от базовой ML-практики к production-подходам для AI и LLM-систем.
- Hands-On Large Language Models (short summary) - Переводит от классического deep learning к современным LLM, embeddings и RAG-паттернам.
- Prompt Engineering for LLMs (short summary) - Расширяет прикладную часть через prompt- и context-engineering для LLM-приложений.