Einführung in das Buch "Erstellen einer profitablen KI mit Python", mit dem Sie in kürzester Zeit maschinelles Lernen erlernen können

Einführung

Er ist der Autor des Buches "** Mit Python profitable KI erstellen **". Dieser Artikel stellt die Funktionen dieses Buches vor.

Amazon Link (Buch) https://www.amazon.co.jp/dp/4296106961

Amazon Link (Kindle) https://www.amazon.co.jp/dp/B08F9P726T

Diese Buchunterstützungsseite (Github) https://github.com/makaishi2/profitable_ai_book_info/blob/master/README.md

Bitte beachten Sie zunächst die folgende Tabelle.

Inhaltsverzeichnis

Der Titel wird oft missverstanden, aber wie Sie aus der Tabelle sehen können, handelt es sich um ein ernstes Buch. Es ist kein Buch "Lasst uns mit FX und Aktien mit AI viel Geld verdienen", also bitte nicht falsch verstehen.

Hauptzielgruppe

Dieses Buch richtet sich an zwei Hauptleser:

** Geschäftsexperte ** Ein Manager der Spitzenklasse, der für die eigentliche Arbeit verantwortlich ist, nicht für die IT-Abteilung. Leute, die ihr Geschäft auf KI verlagern wollen, aber nicht wissen, wo sie anfangen sollen. In diesem Fall lesen Sie nach dem Lesen der Kapitel 1, 2 und 3 dieses Handbuchs den entsprechenden Abschnitt von Kapitel 5, indem Sie sich auf ** Verarbeitungsmuster ** konzentrieren, die möglicherweise für Ihr Unternehmen gelten. Kapitel 4 ist optional, aber ich möchte, dass Sie die Verse 4.1 und 4.4 so oft wie möglich lesen. Kapitel 6 ist wichtig, bitte lesen Sie es.

** Aufstrebender Datenwissenschaftler ** Menschen, die ursprünglich gut programmieren können und ihre Fähigkeiten als Datenwissenschaftler verbessern möchten. Überspringen Sie es in diesem Fall nicht und lesen Sie alles von Anfang an. Die Beispielcodierung im Text dieses Handbuchs basiert auf der Annahme, dass Sie einige Kenntnisse über Sprachen und Bibliotheken wie Python, Pandas und matplotlib haben. Wenn Sie nicht genügend Kenntnisse darüber haben, lesen Sie bitte "** Vorlesung 2 Einführung in Python für maschinelles Lernen **" am Ende dieses Buches, um eine kurze Erläuterung dieser Bibliotheken zu erhalten. Der kürzeste Kurs erklärt die minimal erforderlichen Funktionen, die in der Codierung dieses Buches enthalten sind. Möglicherweise haben Sie vor der Bibliothek noch keine Erfahrung mit Python, aber machen Sie sich keine Sorgen. Für diese Personen haben wir [Einführung in Python](https://github.com/makaishi2/profitable_ai_book_info/blob/master/docs/C1-python grammar erklärung.md # C11) auf der Support-Seite (Github) dieses Handbuchs veröffentlicht. tat. Dies ist auch eine ** kürzeste Einführung in Python **, die sich auf die minimal erforderliche Grammatik beschränkt, die in der praktischen Ausbildung des Buches vorkommt.

Buchfunktionen

** Für Geschäftsleute ** Für Geschäftsleute, die noch nie Kontakt zu KI hatten, hat KI tendenziell das Bild von "etwas Unbekanntem" oder "einer großartigen Sache, die alles kann". Tatsächlich ist das, was Sie mit der aktuellen KI-Technologie tun können, ziemlich begrenzt. Wenn Sie dieses Buch lesen, können Sie verstehen, was KI kann. Was Sie mit KI tun können, wie "** Klassifizierung ", " Regression " und " Clustering ", die in diesem Buch als " Verarbeitungsmuster **" bezeichnet werden, und wie Sie mit Ihrer eigenen Arbeit umgehen können. Sie können es anhängen. Dies ist der erste Schritt zur Förderung der ** KI. Die folgende Abbildung ist eine ** Verarbeitungsmusterliste **, die in Kapitel 5 dieses Handbuchs zusammengefasst ist.

Sie müssen die Bedeutung der zeilenweisen Codierung nicht verstehen. Befolgen Sie daher unbedingt die Python-Praxis für die Verarbeitungsmuster, die Sie in Ihrem Unternehmen in Kapitel 5 anwenden möchten. Wenn Sie den Prozessablauf durch Python-Code verstehen, können Sie sich das Anwendungsmuster des Modells für maschinelles Lernen konkreter vorstellen. Die folgende Abbildung zeigt beispielsweise ein Diagramm, das die richtige Antwort mit dem Vorhersageergebnis des Modells überlagert, das während der Durchführung des Beispiels (Rückgabe) in Abschnitt 5.2 angezeigt wird.

Darüber hinaus werden in Kapitel 6 auch die Fallstricke erläutert, die bei der Förderung der KI auftreten können. ** PoC ** (Abkürzung für Proof of Concept. Die erste technische Überprüfung zum Starten von AI), die zum ersten Mal auf das tatsächliche Geschäft angewendet werden kann, indem vollständig verstanden wird, was hier geschrieben steht. Wird definitiv verfügbar sein. Die spezifischen Inhalte von Kapitel 6 lauten wie folgt.

** Für angehende Datenwissenschaftler ** Das größte Merkmal dieses Buches für angehende Datenwissenschaftler ist, dass ** Sie im kürzesten Kurs verstehen können, was zu tun ist, um ein Modell für maschinelles Lernen in Python zu erstellen ** (und auf diesen Punkt verweisen). Einige Leser haben es als "** Super Explosive Curriculum **" beschrieben.

Um diesen Zweck zu erreichen, wird die mathematische Erklärung des Algorithmus, der im herkömmlichen Handbuch für maschinelles Lernen häufig viele Seiten einnimmt, durch das Bild mit vielen Abbildungen und die Formel auf das Minimum beschränkt Ist nur Addition, Subtraktion, Multiplikation und Division. Dann konzentrierte ich mich auf ** speziell das Erstellen eines maschinellen Lernmodells **. Dies verringert die mathematischen Hürden, die häufig in traditionellen Büchern über maschinelles Lernen und Datenwissenschaften zu finden sind. Unter Auslassung der schwierigen mathematischen Geschichte wurde die ** Bewertung **, die für das überwachte maschinelle Lernen wichtig ist, in Abschnitt 1 (Abschnitt 4.4) (insbesondere ** Genauigkeit) ausführlich erläutert. ) ** und ** Präzision , ** Wie man Recall ** richtig benutzt, etc.). Als Formel ist es ein Abschnitt, der nur durch eine Bruchformel verstanden werden kann. Stellen Sie daher sicher, dass Sie diesen Abschnitt vollständig verstehen. Ich denke, dass traditionelle Einführungsbücher für Datenwissenschaftler und Programmierer eher mit einer technischen Erklärung des Modells und des Implementierungscodes endeten und aus geschäftlicher Sicht weniger erklärten. In Kapitel 5 dieses Buches versuche ich immer am Anfang zu erklären, dass " dieses Verarbeitungsmuster in diesem Teil dieser Arbeit verwendet werden kann ". Aufstrebende Datenwissenschaftler können dies verstehen, einschließlich " Verarbeitungsmuster und Unternehmensassoziation **", indem sie den Implementierungscode mit dieser Erklärung am Anfang des Kapitels lesen.

** Andere Eigenschaften ** Weitere Funktionen dieses Handbuchs sind:

• ** Der Trainingscode basiert auf Google Colab ** Google Colab ist eine Python-Umgebung (Jupyter Notebook) in der Cloud, die sofort ohne Einrichtungsschritte verwendet werden kann, solange Sie über ein Google Mail-Konto verfügen. Da der gesamte Trainingscode selbst im Internet veröffentlicht wird (Github), war es schwierig, Python und Jupyter Notebook einzuführen. Leser, die aufgrund von Schwierigkeiten keine Bücher üben konnten, können den Trainingscode sofort verschieben. Informationen zum spezifischen Verfahren finden Sie im separaten Artikel zu Qiita. So führen Sie den Trainingscode des Buches "Profitable KI mit Python erstellen" in Google Colaboratory aus

• ** Übernahme der neuesten Technologie ** Es enthält auch die neuesten Technologien für maschinelles Lernen, z. B. die Verwendung von "XGboost" für 5.2-Regressionen und "Prophet" für 5.3-Zeitreihenanalysen. Auch in diesem Fall gehen wir nicht auf erweiterte Verwendungsmethoden ein und halten sie auf einem Niveau, das Benutzer mit wenig Erfahrung sofort verwenden können. Es besteht also keine Sorge, dass dies schwierig sein wird, da es sich um die neueste Technologie handelt.

• ** Assoziationsanalyse ist auch eine Fallstudie ** Die Assoziationsanalyse (eine Art unbeaufsichtigtes Lernen), die häufig in der Marketinganalyse verwendet wird, ist ein Bereich, in dem es in Python nicht viele praktische Anleitungen gab, da es keine Bibliothek in "scikit-learn" gibt, dem De-facto-Standard des maschinellen Lernens in Python. (R-Sprache wurde oft verwendet). In diesem Buch wird die Praxis in diesem Bereich auch durch die Verwendung von "scikit-learn" und einer anderen Bibliothek, "mlextend", realisiert. Für die Gliederung habe ich einen separaten Artikel über Qiita geschrieben. Wenn Sie interessiert sind, lesen Sie ihn bitte. Assoziationsanalyse mit Python

Für diejenigen, die mehr wissen wollen

Auf der Support-Seite dieses Buches finden Sie ** zusätzliche Beispiele ** mit demselben Schreibstil wie in Kapitel 5 und ** Einführung in Python **, in denen die Python-Grammatik erläutert wird. Wenn Sie dies lesen, erhalten Sie eine bessere Vorstellung vom Bild dieses Buches.

• [** Zusätzlicher Fall 1 ** Automatisierung der Beurteilung von Defekten / Krankheiten (binäre Klassifizierung und Rückruf)](https://github.com/makaishi2/profitable_ai_book_info/blob/master/docs/ Zusätzlicher Fall 1.md)
• [** Zusätzlicher Fall 2 ** Diskriminierung nach Bild (mehrwertige Klassifizierung von Bilddaten)](https://github.com/makaishi2/profitable_ai_book_info/blob/master/docs/ Zusätzlicher Fall 2.md)
• [Einführung in C1.1 Python](https://github.com/makaishi2/profitable_ai_book_info/blob/master/docs/C1-python Grammatikerklärung.md # C11)