Approaching (Almost) Any Machine Learning Problem - Abhishek Thakur (англ.)

Approaching (Almost) Any Machine Learning Problem - практическое руководство по прикладному машинному обучению от Абхишека Такура, одного из самых известных Kaggle Grandmaster. Книга не фокусируется на математических деталях алгоритмов, а показывает, как правильно подходить к решению реальных ML-задач.

Автор подробно рассматривает формулировку задач, подготовку данных, работу с категориальными признаками, feature engineering, feature selection и оптимизацию гиперпараметров. Большое внимание уделено стратегиям кросс-валидации, выбору метрик, работе с табличными данными, текстами и изображениями, а также деплою моделей.

Книга предназначена для data scientists, ML-инженеров и аналитиков, которые уже знакомы с основами машинного обучения и хотят улучшить качество своих моделей в практических или соревновательных задачах. Это концентрат практического опыта, который помогает мыслить системно и избегать распространенных ошибок.

1. Setting up your working environment

2. Supervised vs unsupervised learning

3. Cross-validation

4. Evaluation metrics

5. Arranging machine learning projects

6. Approaching categorical variables

7. Feature engineering

8. Feature selection

9. Hyperparameter optimization

10. Approaching image classification and segmentation

11. Approaching text classification and regression

12. Approaching ensembling and stacking

13. Approaching reproducible code and model serving