Библиотеки машинного обучения на Python. Работа с данными, построение моделей, оценка качества и MLOps

Построение модели машинного обучения — лишь часть работы. Необходимо разобраться в данных, выбрать подходящие методы, оценить качество предсказаний, объяснить результаты и организовать работу модели после развертывания. При этом экосистема Python постоянно растет, и выбрать нужные инструменты среди множества библиотек бывает непросто.
В книге собраны библиотеки Python для основных этапов жизненного цикла модели машинного обучения. Вы научитесь генерировать искусственные данные, исследовать и предобрабатывать данные, обучать модели классификации и регрессии, решать задачи кластеризации и обнаружения аномалий, оценивать качество данных и моделей, настраивать гиперпараметры и интерпретировать результаты моделирования. Познакомитесь с основными инструментами Python, включая pandas, scikit-learn, XGBoost, Optuna, FastAPI и MLflow, и узнаете, как применять их и другие библиотеки на всех этапах работы с ML-моделями.