6 лучших книг по машинному обучению для специалистов

Машинное обучение больше не находится только в повестке специалистов по данным; оно коренным образом меняет и повседневную работу финансовых команд. Такие процессы, как распознавание чеков и счетов, автоматическая классификация расходов, раннее выявление аномальных операций и прогнозирование денежного потока, — это прямое отражение алгоритмов этой области в мире бизнеса. Если вы финансовый или бизнес-специалист, который управляет этой трансформацией или хочет ею управлять, понимание базовой логики технологии даёт вам большое преимущество: вы лучше оцениваете приобретаемые инструменты, находите общий язык со своими командами и знаете, куда идут ваши инвестиции в автоматизацию.

В этой статье мы разбираем 6 наиболее авторитетных фундаментальных книг по машинному обучению. Для каждой книги мы отдельно кратко описали как то, что она даёт техническому читателю, так и её ценность для финансового или бизнес-специалиста.

1. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow — Aurélien Géron

Эта книга Орельена Жерона считается золотым стандартом для тех, кто ищет практическое введение в машинное обучение. Она сводит теорию к минимуму, сосредотачивается непосредственно на практике и шаг за шагом показывает, как работать над реальными проектами.

Почему стоит прочитать?

• Предлагает исчерпывающую дорожную карту — от нуля до глубокого обучения.
• В каждой главе есть исполняемые примеры и практические упражнения.
• Простым языком объясняет базовые методы: классификацию, кластеризацию и прогнозирование.

Ценность для финансового специалиста: Это самый доступный источник, чтобы понять логику классификации, лежащую в основе финансовых автоматизаций — категоризации расходов и распознавания счетов, — не утопая в математике.

2. Pattern Recognition and Machine Learning — Christopher M. Bishop

Эта классическая работа Кристофера Бишопа написана для тех, кто хочет глубоко понять математические основы машинного обучения. Это академически весомый источник, объединяющий теорию вероятностей и статистику с алгоритмами.

Почему стоит прочитать?

• Один из самых полных источников по вероятностному выводу.
• Упражнения в конце глав закрепляют понятия.
• Во многих университетах используется как основной учебник.

Ценность для финансового специалиста: Принятие решений в условиях неопределённости — суть финансов; вероятностный взгляд этой книги помогает понять, почему модели по таким темам, как отклонение бюджета и прогнозирование рисков, говорят «вероятностно», а не «однозначно».

3. Deep Learning — Ian Goodfellow, Yoshua Bengio и Aaron Courville

Эта работа трёх пионеров области известна как «фундаментальная книга» по глубокому обучению. Она всесторонне рассматривает теоретические и практические аспекты вместе.

Почему стоит прочитать?

• Считается самым авторитетным источником по глубокому обучению.
• В первых главах кратко излагает необходимые математические предпосылки.
• Доступна бесплатно на официальном сайте авторов.

Ценность для финансового специалиста: Все системы, извлекающие данные из изображений чеков и счетов и читающие документы, основаны на глубоком обучении; эта книга показывает, что на самом деле представляет собой эта «магия», которой финансовые команды пользуются каждый день.

4. The Elements of Statistical Learning — Trevor Hastie, Robert Tibshirani и Jerome Friedman

Написанная тремя профессорами статистики из Стэнфордского университета, эта книга — одна из наиболее полно освещающих методы статистического обучения работ, и смотрит на предмет через призму статистики.

Почему стоит прочитать?

• Охватывает широкий спектр — от линейных методов до моделей на основе деревьев.
• Объясняет теоретические основы методов, которые до сих пор широко применяются.
• Её можно бесплатно скачать с сайта университета; тем, кто ищет более доступную альтернативу, подойдёт книга тех же авторов «An Introduction to Statistical Learning».

Ценность для финансового специалиста: Большая часть моделей, которые выявляют аномальные операции в данных о расходах и пытаются прогнозировать злоупотребления с расходами, построена на статистических методах, описанных в этой книге.

5. Python Machine Learning — Sebastian Raschka и Vahid Mirjalili

Эта книга Себастьяна Рашки и Вахида Мирджалили сбалансированно сочетает теорию и практику; она рассчитана на широкую аудиторию — от начального до продвинутого уровня.

Почему стоит прочитать?

• Обучает классическим методам на практических примерах.
• Подробно рассматривает этапы подготовки данных и оценки моделей.
• Охватывает актуальные области применения, такие как текстовые данные и анализ тональности.

Ценность для финансового специалиста: Разделы об оценке моделей учат задавать вопросы, которые нужны финансовому руководителю, чтобы проверить заявления поставщиков о продуктах «на базе искусственного интеллекта» — по какому критерию модель считается успешной, какова погрешность?

6. Machine Learning: A Probabilistic Perspective — Kevin P. Murphy

Эта обширная работа Кевина Мёрфи рассматривает машинное обучение в вероятностной рамке и считается одним из самых подробных справочных источников области. Более свежая серия автора «Probabilistic Machine Learning» также предлагает обновлённую альтернативу.

Почему стоит прочитать?

• Объединяет под одной крышей классические и современные подходы.
• Даёт обширный обзор методов обучения с учителем и без учителя.
• В конце глав содержит подробные упражнения.

Ценность для финансового специалиста: Это источник, наиболее глубоко раскрывающий вероятностное мышление, на котором строятся перспективные финансовые модели, такие как денежный поток и прогнозирование доходов.

Как выбрать правильную книгу?

Выбор зависит от вашего текущего уровня знаний и цели:

• Специалистам в области финансов и бизнеса: Начните с книги Жерона; если ваша цель — не писать код, а понять технологию, автоматизирующую ваши процессы, даже первых глав достаточно для нужного понимания.
• Начинающим техническим читателям: Практические книги Жерона или Рашки не требуют серьёзной математической базы.
• Продвинутый уровень: Обретите теоретическую глубину с работами Бишопа, Гудфеллоу, Хасти или Мёрфи.

Какую бы книгу вы ни выбрали, связывайте прочитанное с собственными данными. Если вы работаете в финансах, лучшее упражнение — взглянуть на данные о расходах своей компании и задать вопрос: «какие шаги здесь можно автоматизировать?»

Часто задаваемые вопросы

Нужно ли мне как финансовому специалисту уметь программировать, чтобы читать эти книги?

Нет. Концептуальные разделы книг Жерона и Рашки дают понять логику машинного обучения и без написания кода. Цель — не создавать технологию, а осознанно оценивать системы, которые вы приобретаете или которыми управляете.

Где конкретно машинное обучение используется в финансовых процессах?

Автоматическое считывание данных чеков и счетов, отнесение расходов к правильной категории, пометка внеполитиковых или аномальных расходов и прогнозирование денежного потока — самые распространённые области применения. О времени, которое эти автоматизации экономят компаниям, мы писали в статье о скрытой временной стоимости ввода расходов.

Есть ли книги, доступные бесплатно?

Да. Книга Гудфеллоу «Deep Learning» доступна бесплатно на официальном сайте авторов, а книга Хасти «The Elements of Statistical Learning» — в открытом доступе на сайте Стэнфордского университета.

Сохраняют ли эти книги актуальность?

Базовые алгоритмы и математические принципы сохраняют силу со временем; практические же книги регулярно получают обновления изданий. Для концептуального каркаса классические работы по-прежнему остаются надёжными источниками.

От теории к практике: машинное обучение на службе финансовых команд

Методы, описанные в этих книгах, уже работают в повседневных инструментах финансовых команд. Мы в Masraff строим прямо на этих алгоритмах такие функции, как интеллектуальное распознавание чеков и счетов, автоматическая категоризация и выявление аномалий расходов. Чтобы увидеть, как машинное обучение добавит ценности вашим процессам расходов, вы можете ознакомиться с нашим решением для управления расходами, а по вопросам — связаться с нами.