Raamat sisaldab üksikasjalikku ülevaadet kolmest probleemipõhisest masinõppe (Machine learning, ML) tüübist: automatiseeritud õppimine AutoML ilma kodeerimiseta, õppimine BigQuery ML vähese kodeerimisega ja õppimine kasutajakoode rakendades, kasutades raamistikke scikit-learn ja Keras. Samas ei nõuta lugejalt sügavaid eelnevaid teadmisi ML või programmeerimise...
alal, kuid baasteadmised nendes valdkondades oleksid kasuks. Spetsiifilised raamatukogud, ML raamistikud, GitHubi hoidla ja muud tööriistad on kirjeldatud vastavalt vajadusele. Igas konkreetses juhul on ML peamised kontseptsioonid avatud, kasutades reaalseid andmehulkade lahendusi reaalses elus. T käsitletakse AutoMLi kasutamist müügi prognoosimiseks, BigQuery ML-i kasutamist lineaarsete regressioonimudelite õpetamiseks, kasutajate ML mudelite koostamist Pythonis klientide lahkumise prognoosimiseks ja rida teisi populaarseid ärijuhtumeid.
Raamat sisaldab üksikasjalikku ülevaadet kolmest probleemipõhisest masinõppe (Machine learning, ML) tüübist: automatiseeritud õppimine AutoML ilma kodeerimiseta, õppimine BigQuery ML vähese kodeerimisega ja õppimine kasutajakoode rakendades, kasutades raamistikke scikit-learn ja Keras. Samas ei nõuta lugejalt sügavaid eelnevaid teadmisi ML või programmeerimise alal, kuid baasteadmised nendes valdkondades oleksid kasuks. Spetsiifilised raamatukogud, ML raamistikud, GitHubi hoidla ja muud tööriistad on kirjeldatud vastavalt vajadusele. Igas konkreetses juhul on ML peamised kontseptsioonid avatud, kasutades reaalseid andmehulkade lahendusi reaalses elus. T käsitletakse AutoMLi kasutamist müügi prognoosimiseks, BigQuery ML-i kasutamist lineaarsete regressioonimudelite õpetamiseks, kasutajate ML mudelite koostamist Pythonis klientide lahkumise prognoosimiseks ja rida teisi populaarseid ärijuhtumeid.