Uczenie maszynowe (ang. Machine Learning) stało się w ostatnich latach modnym terminem. Coraz więcej firm chwali się, że do analizy danych wykorzystały ten mechanizm. W artykule zapoznamy się z podstawowymi pojęciami i „odczarujemy” ML. Przekonamy się, że chociaż ML to sztuczna inteligencja, to zrozumienie go nie wymaga doktoratu z matematyki.

W pierwszej części artykułu (Programista 4/2017) mogliśmy zaobserwować, jak Python sprawdza się w przetwarzaniu języka naturalnego i uczeniu maszynowym (ang. machine learning). Przekonaliśmy się, że Python świetnie sprawdza się w analizie i przetwarzaniu danych ze względu na prostotę języka i liczne dojrzałe biblioteki i narzędzia. Przy okazji „odczarowaliśmy” uczenie maszynowe i poznaliśmy podstawowe koncepcje i pomysły stojące za tą dziedziną sztucznej inteligencji.

Jesteś liderem technicznym, team leaderem, menedżerem IT, a może senior developerem? Chcesz w końcu raz na zawsze usystematyzować swoją wiedzę na temat Pythona, jego wersjonowania, kompatybilności, dostępnych narzędzi i różnic między nimi? Chcesz zrozumieć, czym są, do czego służą i czym się różnią narzędzia takie jak pip, conda, Anaconda, Jupyter, virtualenv i wiele innych? Jeśli tak, to zapraszam do lektury tego artykułu.

Firmy coraz częściej decydują się wykorzystać Pythona nawet tam, gdzie na co dzień pracuje się w innych technologiach. Ta dwuczęściowa seria artykułów powstała z myślą o menedżerach i liderach rozważających wykorzystanie Pythona. W tej części przyjrzymy się narzędziom i bibliotekom wykorzystywanym do przetwarzania danych i, szerzej, Data Science.

Machine Learning jest ostatnio bardzo gorącym tematem. Coraz więcej firm i osób zaczyna interesować się tą dziedziną. Początki nie są łatwe, przede wszystkim dlatego, że uczenie maszynowe wprowadza swoje własne nazewnictwo. W tym artykule poznasz wszystkie najważniejsze pojęcia, dzięki czemu będziesz mógł/mogła samodzielnie zgłębiać temat dalej, a tutoriale, dokumentacja i teksty naukowe nie będą ci już straszne.

Machine Learning (uczenie maszynowe) to dzisiaj bardzo modny temat. Zarówno korporacje, jak i mniejsze firmy prowadzą coraz więcej projektów badawczych z wykorzystaniem uczenia maszynowego. Menedżerowie, tech leadowie i inni liderzy cieszą się, że są angażowani do tego typu przedsięwzięć. Czyhają jednak na nich trudne do przewidzenia pułapki. Pułapki unikalne, nieznane z innych projektów. W tym artykule dowiesz się o jednej z nich i poznasz pewien scenariusz, który mógłby wydarzyć się naprawdę.