Uczenie maszynowe z małą ilością kodowania

Książka szczegółowo przedstawia trzy problemowo-zorientowane rodzaje uczenia maszynowego (Machine learning, ML): zautomatyzowane uczenie AutoML bez kodowania, uczenie BigQuery ML z małą ilością kodu oraz uczenie z zastosowaniem kodu użytkownika na bazie bibliotek scikit-learn i Keras. Przy tym od czytelnika nie wymaga się głębokiej wiedzy w ML ani programowaniu, ale podstawowe umiejętności w tych dziedzinach będą przydatne. Specjalistyczne biblioteki, frameworki ML, repozytorium GitHub i inne narzędzia są opisane w miarę ich potrzeby. W każdym konkretnym przypadku kluczowe koncepcje ML są rozwijane z użyciem rzeczywistych zbiorów danych do rozwiązywania rzeczywistych problemów. Omówiono zastosowanie AutoML do prognozowania sprzedaży, wykorzystanie BigQuery ML do uczenia modeli regresji liniowej, uczenie użytkowników modeli ML w Pythonie do prognozowania odpływu klientów oraz szereg innych popularnych przypadków biznesowych.