Машинное обучение на табличных данных: XGBoost, глубокое обучение и ИИ

Машинное обучение может ускорить выполнение повседневных бизнес-задач, таких как сверка счетов, прогнозирование спроса или автоматизация обслуживания клиентов, не говоря уже о более сложных задачах, например выявление мошенничества, прогнозное техническое обслуживание и персонализированный маркетинг. Извлекайте важную информацию из электронных таблиц, реестров, баз данных и других источников, используя градиентный бустинг, глубокое обучение и генеративный ИИ.
«Машинное обучение на табличных данных» описывает практические методы машинного обучения для модернизации каждого этапа анализа бизнес-данных. Вас ждут примеры использования XGBoost и Keras для прогнозирования цен на краткосрочную аренду недвижимости, развертывание локальной модели машинного обучения с помощью Python и Flask и оптимизация рабочих процессов с использованием больших языковых моделей (LLM). Научитесь делать свои модели более мощными и интерпретируемыми.

Научный редактор книги — Кирилл Быков — старший аналитик-разработчик во «ВКонтакте». Занимается поддержкой внутренней MapReduce-системы, разработкой платформы AB- тестирования и дата-инженерией. Преподаватель курсов по основам машинного обучения, глубокого обучения, программирования на Python и продуктовой аналитике в МФТИ, НИУ ВШЭ и Центральном университете. Развивает аналитические инструменты и ведет курсы по машинному обучению, вдохновляя студентов на освоение современных методов анализа данных и искусственного интеллекта.

1. Конкретные инструменты для ускорения и оптимизации бизнес-процессов.
2. Полный цикл работы с табличными данными: от сырых данных до бесшовного развертывания через MLOps.
3. Освоение XGBoost — мощной техники, которая зарекомендовала себя именно в анализе табличных данных.
4. Интерпретируемые и понятные результаты, которые легко использовать для обоснования бизнес-стратегий
5. Гибкое развертывание моделей: на локальных системах (Python/Flask) и в облачных инфраструктурах.