Kravchenko, published in 2019. The book covers the development of machine learning systems from the perspective of their designers, developers, and users. It provides a comprehensive overview of the field of machine learning, including its history, current trends, and future prospects. The book begins with an introduction to the concept of machine learning and its importance in modern society. It then delves into the details of the various types of machine learning algorithms, including supervised, unsupervised, and reinforcement learning, as well as deep learning. The author also discusses the challenges associated with implementing machine learning in real-world applications, such as data quality, bias, and ethics. The book then explores the design and development of machine learning systems, including the selection of appropriate algorithms, data preprocessing, feature engineering, model evaluation, and deployment. The author emphasizes the need for a holistic approach to machine learning, considering not only the technical aspects but also the social and ethical implications of these systems. Throughout the book, the author uses examples and case studies to illustrate the practical applications of machine learning in various industries, such as healthcare, finance, marketing, and transportation. He also discusses the potential risks and limitations of these systems, including privacy concerns, algorithmic bias, and the potential for misuse. Finally, the book concludes with a discussion on the future of machine learning and its potential impact on society.

Кравченко, опубликовано в 2019 году. Книга охватывает развитие систем машинного обучения с точки зрения их конструкторов, разработчиков и пользователей. В нем представлен всесторонний обзор области машинного обучения, включая ее историю, современные тенденции и перспективы на будущее. Книга начинается с введения в понятие машинного обучения и его значение в современном обществе. Затем он углубляется в детали различных типов алгоритмов машинного обучения, включая контролируемое, неконтролируемое и подкрепляющее обучение, а также глубокое обучение. Автор также обсуждает проблемы, связанные с внедрением машинного обучения в реальных приложениях, такие как качество данных, предвзятость и этика. Затем книга исследует проектирование и разработку систем машинного обучения, включая выбор соответствующих алгоритмов, предварительную обработку данных, разработку функций, оценку моделей и развертывание. Автор подчеркивает необходимость целостного подхода к машинному обучению, учитывая не только технические аспекты, но также социальные и этические последствия этих систем. На протяжении всей книги автор использует примеры и тематические исследования, чтобы проиллюстрировать практические применения машинного обучения в различных отраслях, таких как здравоохранение, финансы, маркетинг и транспорт. Он также обсуждает потенциальные риски и ограничения этих систем, включая проблемы конфиденциальности, алгоритмическую предвзятость и возможность неправильного использования. Наконец, книга завершается дискуссией о будущем машинного обучения и его потенциальном влиянии на общество.

''