2020年6月最新4本人工智能/机器学习/NLP书籍分享

    分享4本2020年 5-6月份最新出版的人工智能、机器学习、NLP书、数据科学相关的书籍，需要自取。

Analytical Skills for AI and Data Science

（人工智能和数据科学的分析技能）

    作者：Daniel Vaughan

    出版时间：2020年5月

    链接： https://www.oreilly.com/library/view/analytical-skills-for/9781492060932/

本书介绍

    虽然一些业界主流的公司通过遵循数据和AI驱动的方法，成功地转变了其业务模型，但绝大多数公司任然还没有从这波AI和大数据变革中受益。一个公司的业务和分析部门该如何通过抓住这种预测性革命的全部潜力来获得行业的竞争优势呢？本书主要介绍了一些经过考验的端到端的方法，可帮助读者使用数据和AI算法作为基本模块输入，将业务决策转化为易于处理的说明性解决方案。

    作者Daniel Vaughan向数据科学家，分析从业人员以及其他对使用AI转变其业务感兴趣的读者讲解，如何提出正确的问题，如何使用现代AI技术和决策原则创造价值。读者将探索许多企业共有的几个例子，并附有在解决自己的问题时可以应用的案例。

 本书主要讲解：

    · 将业务决策分解为可以使用分析工具箱中的不同技能来解决的阶段

    · 识别并接受决策中的不确定性，并防止人为偏见

    · 使用预测性和规范性方法及技术为不同客户定制最佳决策

    · 提出通过AI和数据驱动技术创造高价值的业务问题

Practical Synthetic Data Generation

（实用合成数据生成）

    作者：Khaled El Emam, Lucy Mosquera, Richard Hoptroff

    出版实际：2020年5月

   链接：https://www.oreilly.com/library/view/practical-synthetic-data/9781492072737/

本书介绍

    建立和测试机器学习模型需要使用大量且多样的数据。但是，在哪里可以找到可用的数据集而又不会涉及隐私问题？这本实用的书介绍了用于生成合成数据（从真实数据生成的伪数据）的技术，因此读者可以做辅助分析以进行相关研究，了解客户行为，开发新产品或产生新收入。

    通过学习本书，数据科学家在学习合成数据生成如何在解决许多隐私问题的同时，为广泛用于次要目的的数据提供一种方法。分析师将学习从真实数据集中生成合成数据的原理和步骤。业务领导者将看到综合数据如何帮助缩短产品或解决方案的开发时间。

    本书主要讲解：

    · 使用多元正态分布生成合成数据的步骤

    · 涵盖不同拟合优度指标的分布拟合方法

    · 如何复制原始数据的简单结构

    · 一种建模数据结构以考虑复杂关系的方法

    · 可用于评估数据实用性的多种方法和指标

    · 如何对真实数据进行的分析可以与合成数据一起复制

    · 综合数据的隐私含义和评估身份披露的方法

Practical Natural Language Processing

(自然语言处理实战)

    作者：Sowmya Vajjala, Bodhisattwa Majumder, Anuj Gupta, Harshit Surana

    出版时间：2020年6月

    链接：https://www.oreilly.com/library/view/practical-natural-language/9781492054047/

本书介绍

    许多书籍和课程都通过一些示例数据和定义明确的数据集来解决自然语言处理（NLP）问题。但是，如果要在业务环境中构建，迭代和扩展NLP系统，并针对特定的行业领域对其进行定制，读者可以详细读下本书。软件工程师和数据科学家将可以学习这每一步过程中应该如何做和可能存在的问题。

    在本书的学习过程中，Sowmya Vajjala，Bodhisattwa Majumder，Anuj Gupta和Harshit Surana等作者将指导读者完成构建工业级NLP解决方案的完整过程。读者将学习如何部署NLP解决方案适应不同的垂直行业，例如医疗保健，社交媒体和零售业。

有了这本书，读者将：

    · 了解NLP中的各种问题，任务和解决方案

    · 使用机器学习和深度学习方法实现和评估不同的NLP应用

    · 根据实际的业务问题和行业垂直情况调整NLP解决方案

    · 评估NLP产品任务，数据集和阶段的各种算法和方法

    · 遵循有关NLP系统的发行，部署和DevOps的最佳实践来生产软件解决方案

    · 从业务和产品负责人的角度了解NLP的最佳解决方案，机会和迭代路线图

Machine Learning Design Patterns

（机器学习通用设计模式）

    作者：Valliappa Lakshmanan, Sara Robinson, Michael Munn

    出版时间：2021年2月

    链接：https://www.oreilly.com/library/view/practical-natural-language/9781492054047/

本书介绍

    本书中所讲解的设计模式（Design Pattern）针对机器学习领域中反复出现的问题，给出了最佳实践和解决方案。Valliappa Lakshmanan，Sara Robinson和Michael Munn等作者给出了一系列经过实践检验的方法，可以帮助工程师解决ML过程中经常出现的问题。这些设计模式将数百名专家的经验整理成一系列便于实践的建议。

    作者是Google Cloud的三名工程师，他们描述了30种模式，涉及数据和问题表示，操作性，可重复性，可再现性，灵活性，可解释性和公平性的模式。每种模式都包括问题的描述，各种可能的解决方案以及针对读者的情况选择最合适的补救措施的建议。

    本书将讲述：

    · 在训练，评估和部署ML模型时识别并缓解常见挑战

    · 表示不同ML模型类型的数据，包括嵌入，特征交叉等

    · 针对特定问题选择正确的模型

    · 建立一个强大的训练流程，该流程使用checkpoints，分布式策略和超参数调整。

    · 部署可扩展的ML系统，可以对其进行重新训练和更新以反映新数据

    · 为利益相关者解释模型预测，并确保模型公平地对待用户