Книжная полка Сохранить
Размер шрифта:
А
А
А
|  Шрифт:
Arial
Times
|  Интервал:
Стандартный
Средний
Большой
|  Цвет сайта:
Ц
Ц
Ц
Ц
Ц

Машинное обучение и искусственный интеллект. Как это работает

Покупка
Артикул: 871607.01.99
Доступ онлайн
495 ₽
В корзину
Книжная серия «Айтишный университет» предназначена для самообразования в сфере информационных технологий, а также может быть использована для формирования учебных курсов в системе профильного высшего образования. Материал излагается сжато и систематично. Подсерия «Специалист» ориентирована на подготовку профессионалов — программистов-разработчиков, тестировщиков, системных администраторов, веб-мастеров и других специалистов в области информационных технологий. Настоящая книга посвящена ряду конкретных вопросов, связанных с машинным обучением и искусственным интеллектом: представлены основные методы и алгоритмы машинного обучения, приведены примеры применения искуственного интеллекта в различных бизнесах, обозначены сопутствующие этические и правовые проблемы, рассказано про обработку и анализ данных в машинном обучении, в том числе на больших объемах данных, обсуждено развертывание и оптимизация моделей машинного обучения, намечены перспективы систем искусственного интеллекта.
Баланов, А. Н. Машинное обучение и искусственный интеллект. Как это работает : практическое пособие / А. Н. Баланов. - Москва : Агентство электронных изданий «Интермедиатор», 2025. - 111 с. - ISBN 978-5-91349-128-2. - Текст : электронный. - URL: https://znanium.ru/catalog/product/2238153 (дата обращения: 19.11.2026). – Режим доступа: по подписке.
Фрагмент текстового слоя документа размещен для индексирующих роботов

Машинное обучение 
и искусственный интеллект. 
Как это работает




АЙТИШНЫЙ
УНИВЕРСИТЕТ
А. Н. Баланов
А. Н. Баланов
А. Н. Баланов
Москва
2025
Машинное обучение
и искусственный
интеллект
Как это работает
Специалист
Специалист


УДК 004.41
ББК 32.97я73
          Б20
Баланов, Антон Николаевич
Машинное обучение и искусственный интеллект. Как это работает / А. Н. Баланов. — 1 файл pdf : 111 с. — Эл. изд. — Москва : 
Агентство электронных изданий «Интермедиатор», 2025. — (Айтишный университет. Специалист). — Систем. требования: Adobe 
Reader XI либо Adobe Digital Editions 4.5 ; экран 10″. — Текст : электронный.
ISBN 978-5-91349-128-2
Книжная серия «Айтишный университет» предназначена для 
самообразования в сфере информационных технологий, а также 
может быть использована для формирования учебных курсов 
в системе профильного высшего образования. Материал излагается сжато и систематично.
Подсерия «Специалист» ориентирована на подготовку профессионалов — программистов-разработчиков, тестировщиков, 
системных администраторов, веб-мастеров и других специалистов в области информационных технологий.
Настоящая книга посвящена ряду конкретных вопросов, связанных с машинным обучением и искусственным интеллектом: 
представлены основные методы и алгоритмы машинного обучения, приведены примеры применения искуственного интеллекта в различных бизнесах, обозначены сопутствующие этические 
и правовые проблемы, рассказано про обработку и анализ данных в машинном обучении, в том числе на больших объемах 
данных, обсуждено развертывание и оптимизация моделей машинного обучения, намечены перспективы систем искусственного интеллекта.
Б20
ISBN 978-5-91349-128-2
©	«Интермедиатор», электронное 
	 издание, 2025.
В соответствии со ст. 1299 и 1301 ГК РФ при устранении ограничений, 
установленных техническими средствами защиты авторских прав, правообладатель вправе требовать от нарушителя возмещения убытков 
или выплаты компенсации.


ОБ АВТОРЕ
Баланов Антон Николаевич имеет большой опыт руководства и  консультирования в сфере ИТ-технологий. Работал 
топ-менеджером в крупных компаниях — таких, как Industrial and Commercial Bank of China (КНР), Caravan portal (ОАЭ), 
Банк ВТБ, Сбербанк России, VK; руководил разработками 
сервиса Gosuslugi.ru. Имеет степень MBA IT (CIA) и сертификации Microsoft, CompTIA, ISACA, PMI, SHRM, IIBA, HRCI, ISO, 
Six Sigma (Master Black Belt). Преподавал в следующих вузах 
и учебных центрах: Российском университете дружбы народов, СберУниверситете, Институте бизнеса и делового администрирования и Центре подготовки руководителей и команд цифровой трансформации (на базе Высшей школы 
государственного управления РАНХиГС). Автор десятков книг 
и научно-практических публикаций в профессиональных изданиях. Является советником Российской академии естественных наук. 
Широкая эрудиция и глубокие профессиональные компетенции автора в сфере ИТ-технологий позволили ему создать 
книжную серию «Айтишный университет», один из выпусков 
которой находится перед вами.




ОГЛАВЛЕНИЕ
Глава 1. Введение в машинное обучение 
и искусственный интеллект. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . .   11
Введение. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . . . .   11
Определение понятий машинного 
обучения и искусственного интеллекта . .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . .   12
История развития машинного обучения 
и его роль в современном мире. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . .   15
Обзор ключевых компонентов и принципов 
машинного обучения. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . .   17
Заключение. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . . .   20
Глава 2. Основные методы и алгоритмы 
машинного обучения. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . .   21
Введение. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . . . .   21
Обзор различных типов задач машинного 
обучения: обучение с учителем, без учителя 
и с подкреплением. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . .   22
Описание основных алгоритмов машинного 
обучения. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . . . .   25
Практические примеры и использование 
различных методов в задачах машинного обучения. .  .  .  .  . . . . . . .   27
Заключение. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . . .   32
Глава 3. Применение искусственного интеллекта 
и машинного обучения в бизнесе. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .   34
Введение. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . . . .   34
Роль и значение искусственного интеллекта 
и машинного обучения в современном бизнесе. .  .  .  .  .  .  .  . . . . . . . . .   35


Оглавление 
Практические примеры применения машинного 
обучения в различных отраслях, таких 
как финансы, маркетинг, здравоохранение, 
производство и другие . .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . .   37
Выгоды и вызовы при внедрении искусственного 
интеллекта и машинного обучения в бизнес-среду . .  .  .  .  .  . . . . . . .   41
Заключение. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . . .   43
Глава 4. Этические и правовые вопросы 
искусственного интеллекта . .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . .   45
Введение. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . . . .   45
Этические проблемы, связанные с использованием 
и развитием искусственного интеллекта 
и машинного обучения. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . .   46
Правовые и регуляторные аспекты искусственного 
интеллекта, включая вопросы конфиденциальности 
данных, ответственности и прозрачности. .  .  .  .  .  .  .  .  .  . . . . . . . . . . . .   48
Разработка этических и правовых фреймворков 
для использования искусственного интеллекта 
в соответствии с общественными ценностями и нормами. .  . . . .   50
Заключение. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . . .   52
Глава 5. Обработка и анализ данных 
в машинном обучении . .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . .   54
Введение. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . . . .   54
Основы сбора, очистки и подготовки 
данных для обучения моделей машинного 
обучения. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . . . .   55
Методы предобработки и фильтрации данных 
для улучшения качества моделей. .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . .   57
Инструменты и практики для визуализации 
и анализа данных в контексте машинного обучения. .  .  .  .  . . . . . . .   59
Заключение. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . . .   62
Глава 6. Обучение моделей машинного обучения. .  .  .  .  .  .  . . . . . . . . .   63
Введение. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . . . .   63
Принципы обучения моделей на основе данных 
и выбора подходящих алгоритмов. .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . .   64


Оглавление    9
Процесс обучения моделей, включая разделение 
данных, выбор функции потерь, настройку 
гиперпараметров и оценкупроизводительности. .  .  .  .  .  .  . . . . . . . . .   65
Методы оценки и интерпретации результатов 
обучения моделей. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . .   67
Заключение. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . . .   70
Глава 7. Развитие и оптимизация моделей 
машинного обучения. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . .   71
Введение. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . . . .   71
Методы улучшения производительности моделей, 
такие как отбор признаков, регуляризация 
и ансамблирование. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . .   72
Оптимизация гиперпараметров моделей 
и настройка параметров для достижения 
лучшей производительности. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . .   74
Обновление и модификация моделей в процессе 
их эксплуатации. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . .   77
Заключение. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . . .   79
Глава 8. Развертывание и интеграция моделей 
машинного обучения. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . .   80
Введение. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . . . .   80
Процесс развертывания и интеграции моделей 
машинного обучения в реальное окружение . .  .  .  .  .  .  .  .  . . . . . . . . . .   81
Выбор подходящих инструментов и технологий 
для развертывания моделей. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . .   83
Методы мониторинга и обновления моделей 
после их развертывания. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . .   85
Заключение. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . . .   87
Глава 9. Обучение моделей на больших 
объемах данных. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . .   88
Введение. .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . . . . . . . . . . . . . . . .   88
Проблемы и вызовы, связанные с обучением 
моделей на больших объемах данных. .  .  .  .  .  .  .  .  .  .  .  . . . . . . . . . . . . . .   89
Масштабирование вычислений и использование 
распределенных систем для обучения моделей. .  .  .  .  .  .  .  . . . . . . . . .   90


Доступ онлайн
495 ₽
В корзину