Présentation du livre "Créer une IA rentable avec Python" qui vous permet d'apprendre l'apprentissage automatique dans le cours le plus court

introduction

Il est l'auteur du livre "** Créer une IA rentable avec Python **". Cet article présente les fonctionnalités de ce livre.

Lien Amazon (livre) https://www.amazon.co.jp/dp/4296106961

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

Ce site de support de livre (Github) https://github.com/makaishi2/profitable_ai_book_info/blob/master/README.md

Tout d'abord, veuillez consulter le tableau ci-dessous.

Table des matières

Le titre est souvent mal compris, mais comme vous pouvez le voir sur le tableau, c'est un livre sérieux. Ce n'est pas un livre "Faisons beaucoup d'argent avec le FX et les actions en utilisant l'IA", alors ne vous méprenez pas.

Public cible principal

Ce livre est destiné à deux principaux lecteurs:

** Expert en affaires ** Un gestionnaire de classe leader qui est en charge du travail réel, pas du département informatique. Les personnes qui souhaitent déplacer leur entreprise vers l'IA, mais ne savent pas par où commencer. Dans ce cas, après avoir lu les chapitres 1, 2 et 3 de ce manuel, lisez la section correspondante du chapitre 5 en vous concentrant sur les ** schémas de traitement ** qui peuvent s'appliquer à votre entreprise. Le chapitre 4 est facultatif, mais j'aimerais que vous lisiez autant que possible les versets 4.1 et 4.4. Le chapitre 6 est important, veuillez donc le lire.

** Aspirant Data Scientist ** Des personnes qui sont au départ douées pour la programmation et qui souhaitent améliorer leurs compétences en tant que data scientist. Dans ce cas, ne le sautez pas et lisez-le tout depuis le début. L'exemple de codage dans le texte de ce manuel est écrit sur l'hypothèse que vous avez une certaine compréhension des langages et des bibliothèques tels que Python, Pandas et matplotlib. Si vous n'avez pas suffisamment de connaissances à ce sujet, veuillez lire «** Cours 2 Introduction à Python pour l'apprentissage automatique **» à la fin de ce livre pour une brève explication de ces bibliothèques. Le cours le plus court explique les fonctions minimales requises qui apparaissent dans le codage de ce livre. Vous n'avez peut-être pas d'expérience avec Python avant la bibliothèque, mais ne vous inquiétez pas. Pour ces personnes, nous avons publié [Introduction à Python](https://github.com/makaishi2/profitable_ai_book_info/blob/master/docs/C1-python grammar explication.md # C11) sur la page d'assistance (Github) de ce manuel. fait. Il s'agit également d'un ** cours d'introduction le plus court à Python ** qui se réduit au minimum de grammaire nécessaire qui apparaît dans la formation pratique du livre.

Caractéristiques du livre

** Pour les professionnels ** Pour les professionnels qui n'ont jamais eu de contact avec l'IA, l'IA a tendance à avoir l'image de «quelque chose d'inconnu» ou «d'une grande chose qui peut tout faire». En fait, ce que vous pouvez faire avec la technologie actuelle de l'IA est assez limité. En lisant ce livre, vous pouvez comprendre ce que l'IA peut faire. Ce que vous pouvez faire avec l'IA, comme «** classification », « régression » et « clustering », qui sont appelés « processing pattern **» dans ce livre, et comment vous pouvez gérer votre propre travail. Vous pourrez le joindre. C'est la première étape pour promouvoir ** l'IA. La figure ci-dessous est une ** liste des schémas de traitement ** résumée au chapitre 5 de ce manuel.

Vous n'avez pas besoin de comprendre la signification du codage ligne par ligne, alors assurez-vous de suivre la pratique Python pour les modèles de traitement que vous souhaitez appliquer dans votre entreprise au chapitre 5. En comprenant le flux de processus à travers le code Python, vous pouvez ** imaginer plus concrètement le modèle d'application du modèle d'apprentissage automatique **. Par exemple, la figure ci-dessous est un graphique qui superpose la bonne réponse avec le résultat de la prédiction du modèle qui apparaît lors de la pratique de l'exemple (retour) de la section 5.2.

En outre, le chapitre 6 explique également ** les pièges ** qui ont tendance à tomber dans le processus de promotion de l'IA. ** PoC ** (abréviation de Proof of Concept. La première vérification technique pour démarrer l'IA) qui peut être appliqué à une entreprise réelle pour la première fois en comprenant parfaitement ce qui est écrit ici. Sera certainement disponible. Le contenu spécifique du chapitre 6 est le suivant.

** Pour les scientifiques en herbe en herbe ** La plus grande caractéristique de ce livre pour les aspirants scientifiques des données est que ** vous pouvez comprendre ce qu'il faut faire pour créer un modèle d'apprentissage automatique en Python dans le cours le plus court ** (pointant sur ce point, " Certains lecteurs l'ont décrit comme «** Curriculum Super Explosive **»).

Pour atteindre cet objectif, l'explication mathématique de l'algorithme, qui tend à prendre de nombreuses pages dans le manuel d'apprentissage automatique conventionnel, est ** limitée au minimum par l'image avec de nombreux chiffres **, et la formule Est seulement l'addition, la soustraction, la multiplication et la division. Ensuite, je me suis concentré sur ** spécifiquement comment créer un modèle d'apprentissage automatique . Ce faisant, les obstacles mathématiques souvent rencontrés dans les livres traditionnels d'apprentissage automatique et de science des données ont été réduits. Tout en omettant l'histoire mathématique difficile, l ' évaluation **, qui est importante dans l'apprentissage automatique supervisé, a été expliquée en détail dans la section 1 (section 4.4) (plus précisément, ** Précision). ) ** et ** Précision **, ** Comment utiliser correctement Recall , etc.). En tant que formule, c'est une section qui ne peut être comprise que par une formule fractionnaire, alors assurez-vous de bien comprendre cette section. Je pense que les livres d'introduction traditionnels pour les scientifiques des données et les programmeurs avaient tendance à se terminer par une explication technique du modèle et du code d'implémentation, et avaient tendance à avoir moins d'explications d'un point de vue commercial. Dans le chapitre 5 de ce livre, j'essaie toujours d'expliquer au début que " Ce modèle de traitement peut être utilisé dans cette partie d'un tel travail ". Les scientifiques en herbe pourront comprendre cela, y compris " Modèle de traitement et association commerciale **", en lisant le code d'implémentation avec cette explication au début du chapitre à l'esprit.

** Autres caractéristiques ** Les autres caractéristiques de ce manuel sont les suivantes.

• ** Le code de formation est basé sur Google Colab ** Google Colab est un environnement Python (Jupyter Notebook) sur le cloud qui peut être utilisé immédiatement sans aucune étape de configuration tant que vous disposez d'un compte Gmail. Étant donné que tout le code de formation lui-même est publié sur Internet (Github), il a été difficile de présenter Python et Jupyter Notebook. Les lecteurs qui n'ont pas pu pratiquer les livres en raison de difficultés peuvent immédiatement déplacer le code de formation. Pour la procédure spécifique, veuillez vous référer à l'article séparé sur la qiita. Comment exécuter le code de formation du livre "Rendre l'IA rentable avec Python" dans Google Colaboratory

• ** Adoption des dernières technologies ** Il intègre également les dernières technologies d'apprentissage automatique, telles que l'utilisation de XGboost '' pour les régressions 5.2 et de Prophet '' pour l'analyse des séries chronologiques 5.3. Dans ce cas également, nous n'utilisons pas de méthodes d'utilisation avancées et nous le maintenons à un niveau que les utilisateurs avec peu d'expérience peuvent utiliser immédiatement, donc il n'y a pas de souci que ce soit difficile car il s'agit de la dernière technologie.

• ** L'analyse d'association est également une étude de cas ** L'analyse d'association (un type d'apprentissage non supervisé), qui est souvent utilisée dans l'analyse marketing, est un domaine où il n'y avait pas beaucoup de guide pratique en Python car il n'y a pas de bibliothèque dans scikit-learn '', qui est le standard de facto de l'apprentissage automatique Python. (Le langage R était souvent utilisé). Dans ce livre, la pratique dans ce domaine est également réalisée en utilisant scikit-learn '' et une autre bibliothèque, `` mlextend ''. Pour le plan, j'ai écrit un autre article sur qiita, donc s'il vous plaît vous y référer si vous êtes intéressé. Analyse d'association avec Python

Pour ceux qui veulent en savoir plus

Sur la page de support de ce livre, des ** exemples supplémentaires ** avec le même style d'écriture que le chapitre 5 et ** Introduction à Python **, qui est une explication de la grammaire Python, sont publiés. Si vous lisez ceci, vous aurez une meilleure idée de l'image de ce livre.

• [** Cas supplémentaire 1 ** Automatisation du jugement de défaut / maladie (classification binaire et rappel)](https://github.com/makaishi2/profitable_ai_book_info/blob/master/docs/ Cas supplémentaire 1.md)
• [** Cas supplémentaire 2 ** Discrimination par image (classification multi-valeurs des données d'image)](https://github.com/makaishi2/profitable_ai_book_info/blob/master/docs/ Cas supplémentaire 2.md)
• [Introduction à C1.1 Python](https://github.com/makaishi2/profitable_ai_book_info/blob/master/docs/C1-python grammar explication.md # C11)