Машинное обучение без иллюзий. Понимание возможностей и границ ML
Сергей Кирницкий

Толық оқу және тыңдау

Тегін үзінді

Кітап туралы Пікірлер7 Дәйексөздер199 Қазір оқып жатыр1K Сөрелерде

Машинное обучение способно на удивительные вещи, но не на те, которые обещает маркетинг. Книга объясняет фундаментальную природу ML: как алгоритмы выявляют закономерности, почему воспроизводят предвзятости, когда работают блестяще и когда опасно. Концепция «переноса сложности» покажет, куда на самом деле уходят проблемы при автоматизации. Основана на анализе десятков реальных проектов. Обязательное чтение перед внедрением ML в вашей организации.

Прикладная наука IT-технологии Наука

Құқық иегері: ООО "Издательские решения"

Түпнұсқа жарияланған күн: 2026

Басылым шыққан жыл: 2026

Баспа: Ridero

Қағаз беттер: 179

Ұқсас кітаптар

Александр КостинVibe-кодинг: как писать код через GPT и LLM

Максим ЧалышевSQL для аналитика. 50 задач с решениями на PostgreSQL

Вадим АлджановИТ-архитектура. Практическое руководство от А до Я. Первое издание

Шуремов ЕвгенийВведение в базы данных. Коротко о главном

Иван ПортянкинПрограммирование Cloud Native. Микросервисы, Docker и Kubernetes

Леонид НикифоровМатематика для DATA SCIENTIST. Анализ данных и математическое моделирование (путеводитель)

18+

Иван Трещев, Екатерина КудряшоваБазы данных. Учебное пособие. Для студентов

Валентин АрьковОперационные системы. Учебное пособие

ИВВAI²Q³: Искусственный интеллект, квантовые алгоритмы и 3D-сети. Эффективные и инновационные решения

Валерий КотляровПроектирование отказоустойчивых распределенных информационных систем. Для студентов

Михаил КумсковСистемный Анализ. Предметная область. Модели на UML

Максим ЧалышевPostgreSQL. Сто шагов от новичка до профессионала. Практика, примеры, опыт

Алекс ВульфКриптография. Основы практического шифрования и криптографии

Евгений ПавловЗнакомьтесь, Python. Секреты профессии

Валентин АрьковВиртуализация и контейнеризация. Учебное пособие

ИВВАлгоритмы и расчеты: Теория и практика. основные концепции

Руслан НазаровData Science для новичков

Елена ЛитвакКак научиться проектировать базы данных и остаться в живых

Валентин АрьковЧастотный анализ числовых и текстовых данных. Учебное пособие

Иван Трещев, Владислав Сериков, Анастасия ВатолинаНизкоуровневый анализ машинного кода. Для студентов технических специальностей

18+

Оқыдыңыз ба? Не айтасыз?

👍👎

Пікірлер7

Александр Сорокинпікірімен бөлісті9 ай бұрын

🎯Пайдалы

Относительно недавно я оставлял отзыв о другой книге. В ней я ругался не невероятное количество "пережёвывания" одних и тех же фактов и примеров. Тут тоже такое есть. Но, к удивлению, это не так сильно раздражает. Крайне советую к прочтению всем к кому в окно стучат успешные внедренцы и "интеграторские интеграторы", которые обещают внедрить сквозную аналитику с ИИ вам в бизнес. Возможно, если вы прочитаете эту книгу, вам в будущем не надо будет слушать 7 месяцев что-то вроде: "ща, ща, вот вот внедрим. Просто Михаил* заболел, а Георгий* и Семён* ещё не в контексте. Но мы обязательно всё сделаем. Да, не за месяц, как обещали. Вот вам счет за следующий квартал внедрения". *имена были сгенерированы через chatGPT по запросу на рандомные три имени потенциальных внедренцев ML- и AI- технологий.

4 Ұнайды

Комментарий жазу

Павел Бондарчукпікірімен бөлісті2 ай бұрын

👎Ұсынбаймын

Книга по началу интересная. НО ОООЧЕНЬ много раз повторяются одни и те же случаи, это убило весь интерес к книге.

Комментарий жазу

Константин Самусикпікірімен бөлісті2 ай бұрын

👍Ұсынамын

🎯Пайдалы

Книга сама по себе хорошая, но примеры повторяются раз 15 за книгу. Эти чернокожие пациенты, которым не платили страховку под конец книги уже в печенках сидят. Есть ощущение, что либо автору платили за буквы, либо книгу написала LLM-ка с плохим промптом😅

Комментарий жазу

Дәйексөздер199

Пользователь #.дәйексөз келтірді8 ай бұрын

сигнал к продаже, что привело к каскадному обрушению рынка. Модели пытались экстраполировать за пределы известной им области, где закономерности уже не работали. Ключевое ограничение

2 Ұнайды

Комментарий жазу

nadcablookдәйексөз келтірді6 ай бұрын

Теперь мы решаем: какие данные собирать, какую архитектуру модели выбрать, какую метрику оптимизировать, где поставить пороговое значение. Каждое из этих решений влияет на судьбы тысяч людей, но принимается на уровне метарешений, часто без полного понимания последствий.

1 Ұнайды

Комментарий жазу

Елисейдәйексөз келтірді2 апта бұрын

Метрика растёт, реальная продуктивность падает. Это классический пример закона Гудхарта в действии: когда метрика становится целью, она перестаёт быть хорошей метрикой.

Комментарий жазу