Метаобучение – одна из самых быстрорастущих областей исследований в области машинного обучения (МО) – изучает методы получения эффективных моделей и решений путем адаптации процессов МО и интеллектуального анализа данных. Для адаптации обычно применяют информацию из опыта решения других задач, а адаптивные процессы могут использовать подходы МО. AutoML занимается автоматизацией процессов машинного обучения и является очень актуальной темой, напрямую связанной с метаобучением. Метаобучение и AutoML помогают искусственному интеллекту научиться выбирать наиболее подходящие методы самообучения и быстрее находить новые решения без вмешательства пользователя. Издание адресовано исследователям в области машинного обучения, интеллектуального анализа данных и искусственного интеллекта, а также может быть полезно студентам и аспирантам.

Книга «Рекурсивная книга о рекурсии» содержит примеры кода на языке Python и jаvascript, которые иллюстрируют основы рекурсии и проясняют фундаментальные принципы всех рекурсивных алгоритмов. Из книги вы узнаете о том, когда стоит использовать рекурсивные функции (и, главное, когда этого не нужно делать), как реализовывать классические рекурсивные алгоритмы, часто обсуждаемые на собеседованиях, а также о том, как рекурсивные методы помогают решать задачи, связанные с обходом дерева, комбинаторикой и другими сложными темами. С помощью такой техники программирования, как рекурсия, можно создавать элегантные кодовые решения. Однако иногда разработчики не понимают, с какой стороны к ней подойти. Это не означает, что программисты могут (или должны) игнорировать рекурсию. Несмотря на свою кажущуюся сложность, рекурсия является важной темой в информатике и позволяет глубже вникнуть в сам процесс программирования. По крайней мере, если вы разбираетесь в ней, вам будет проще пройти собеседование при приеме на работу.

Сложно понять ценность идеи, пока она не опробована на практике. В этой книге рассказывается о том, как контролируемые онлайн-эксперименты (или, как их еще называют, A/B-тесты) позволяют оценить эффективность тех или иных идей по оптимизации веб-сайтов и добиться максимальной отдачи от их использования. Вы узнаете, как правильно подобрать инструменты для тестирования, провести сбор данных и обеспечить измеримость результатов. На конкретных примерах показано, как при помощи A/B-тестов были улучшены веб-ресурсы известных компаний. Контролируемые онлайн-эксперименты широко применяются в Amazon, Booking. com, eBay, Facebook, Google, LinkedIn, Microsoft, Twitter, Яндекс и других компаниях. Эта методика становится неотъемлемой частью культуры бизнеса, основанной на данных.

Биоинформатика — активная область исследований, в которой используется ряд простых и сложных вычислений для извлечения ценной информации из биологических данных. Из книги вы узнаете, как управлять этими задачами с помощью языка Python. Вы рассмотрите ключевые методы секвенирования нового поколения, анализа отдельных клеток, геномики, метагеномики, а также узнаете, как применяются алгоритмы машинного обучения в биоинформатике. Одной из самых сильных сторон Python является обилие высококачественных научных библиотек и библиотек для обработки данных. В основе всех них лежит NumPy, который обеспечивает эффективную поддержку массивов и матриц. В дополнениях NumPy мы можем найти почти все научные библиотеки. Например, в нашей сфере есть Biopython. Но в нашей области можно использовать и другие общие библиотеки анализа данных. Так, Pandas является стандартом де-факто для обработки табличных данных. Совсем недавно библиотека Apache Arrow дала эффективную реализацию некоторых функций Pandas, а также совместимость языков. Наконец, Matplotlib является наиболее распространенной библиотекой для построения диаграмм в пространстве Python и подходит для научных вычислений.

В книге собрано 46 классических статей по информатике, которые прочертили карту развития этой науки. Охвачены все аспекты компьютерных наук; особое внимание уделяется периоду с 1936 по 1980 годы, но рассматриваются и важные ранние работы. Знакомя читателей с работами мыслителей от Аристотеля и Лейбница до Алана Тьюринга и Норберта Винера, книга документирует открытия и изобретения, приведшие к созданию современного цифрового мира. Компьютерное программирование – точная наука, позволяющая в принципе вывести все свойства программы и все последствия выполнения ее в заданном окружении из текста самой программы с помощью дедуктивных рассуждений. Дедуктивные рассуждения подразумевают применение корректных правил вывода к набору корректных аксиом. Таким образом, желательно и интересно найти аксиомы и правила вывода, которые можно было бы положить в основу рассуждений о компьютерной программе. Конкретный выбор аксиом в какой-то мере зависит от выбора языка программирования.

Ошеломляющий успех коммерческих приложений машинного обучения (machine learning – ML) и быстрый рост этой отрасли создали высокий спрос на готовые методы ML, которые можно легко использовать без специальных знаний. Однако и сегодня успех практического применения в решающей степени зависит от экспертов – людей, которые вручную выбирают подходящие архитектуры и их гиперпараметры. Методы AutoML нацелены на устранение этого узкого места путем построения систем ML, способных к автоматической оптимизации и самонастройке независимо от типа входных данных. В этой книге впервые представлен всеобъемлющий обзор базовых методов автоматизированного машинного обучения (AutoML). Издание послужит отправной точкой для изучения этой быстро развивающейся области; тем, кто уже использует AutoML в своей работе, книга пригодится в качестве справочника. Область автоматизированного машинного обучения нацелена на принятие конструкторских решений на основе данных объективным и автоматизированным способом: пользователь просто предоставляет данные, а система AutoML автоматически находит оптимальное решение для этого конкретного случая.

Перед вами исчерпывающее руководство по основам Data Science. С помощью него вы сможете научиться мыслить статистически и понимать, какую роль в вашей работе играет аналитика, пользоваться языком науки о данных, избегать распространенных ошибок при работе с ними и, наконец, разобраться в полезных инструментах, которые используют эксперты. В этой книге вы познакомитесь с инструментами, терминами и образом мышления, необходимыми для навигации по промышленному комплексу науки о данных. Вы научитесь понимать данные и связанные с ними проблемы на более глубоком уровне, критически относиться к данным и результатам, с которыми сталкиваетесь, а также разумно говорить обо всем, что касается данных. Короче говоря, вы станете главным по данным. Многие полагают, что «традиционная» аналитика, большие данные и искусственный интеллект (ИИ) – это отдельные явления. Однако авторы книги «Разберись в Data Science» справедливо считают, что эти вещи тесно связаны друг с другом.

Структура данных (англ. data structure) — программная единица, позволяющая хранить и обрабатывать однотипные и/или логически связанные данные. Для добавления, поиска, изменения и удаления данных структура данных предоставляет некоторый набор функций, составляющих её интерфейс. В книге приводится всесторонний анализ идей и деталей реализации структур данных как важнейшей составляющей прикладных алгоритмов. Обсуждаются не только эффективные способы реализации операций над множествами чисел, интервалов или строк, представленных в виде различных поисковых структур данных – деревьев, множеств интервалов, кусочно-постоянных функций, прямоугольных областей, непересекающихся подмножеств, куч, хеш-таблиц, но и динамизация и персистентность (сохраняемость) структур. Структуры данных впервые рассматриваются не просто как вспомогательный материал для иллюстрации методологии объектно ориентированного программирования, а как ключевой вопрос разработки алгоритмов. Многочисленные примеры кода на языке C и более 500 ссылок на первоисточники делают книгу исключительно ценной.