《思考数据科学：数据科学从业者指南》

这份机器学习项目的权威指南回答了有抱负或经验丰富的数据科学家经常遇到的问题：对使用什么技术进行 ML 开发感到困惑？我应该使用 GOFAI、ANN/DNN 还是迁移学习？我可以依靠 AutoML 进行模型开发吗？如果客户为我提供了用于开发分析模型的千兆字节和数 TB 的数据怎么办？如何处理高频动态数据集？本书为从业者提供了将整个数据科学过程整合到一个“备忘单”中。
数据科学家面临的挑战是从庞大的数据集中提取有意义的信息，这将有助于为企业制定更好的战略。许多机器学习算法和神经网络旨在对此类数据集进行分析。对于数据科学家来说，对于给定数据集使用哪种算法是一个令人生畏的决定。虽然这个问题没有单一的答案，但有必要采用系统的方法解决问题。本书从概念上描述了各种ML算法，并定义/讨论了选择ML / DL模型的过程。整合用于设计高效ML模型的可用算法和技术是本书的关键方面。思考数据科学将帮助实践数据科学家、院士、研究人员和学生，他们希望使用适当的算法和架构构建 ML 模型，无论数据是小还是大。