Все для школьников, студентов, учащихся, преподавателей и родителей - Обучалка - Obuchalka.org

Reinforcement Learning for Finance, A Python-Based Introductio, Hilpisch Y., 2025.
     
   This book is intended as a concise, Python-based introduction to the major ideas and elements of RL and DQL as applied to finance. It should be useful to both students and academics as well as to practitioners in search of alternatives to existing financial theories and algorithms. The book expects basic knowledge of the Python programming language, object-oriented programming, and the major Python packages used in data science and machine learning, such as NumPy, pandas, matplotlib, scikit-learn, and TensorFlow.

RAG with Python Cookbook ER, Polzer D., 2026.
     
Фрагмент из книги.
In this book, you will often see functions from RAG frameworks like LangChain and LlamaIndex. This makes sense because these RAG frameworks are handy and offer many functions we need to create RAG applications. Nevertheless, check first if you really need them. They are still at an early stage and constantly changing, which can be challenging when deploying apps to production. Since they are merely a collection of more established frameworks, you could also use the standalone frameworks behind LangChain and LlamaIndex.

Python Machine Learning, 100 Exercises.
     
   This book is designed for those who already have a basic understanding of programming and want to dive into Python-based machine learning through hands-on practice.
With 100 targeted exercises, it provides a structured approach to developing and refining your skills. Each exercise includes clear source code and visual output, making it easier to grasp complex concepts.

Математика для Data Science, Нилд Т., 2025.
     
   Освойте математический аппарат, который необходим, чтобы преуспеть в сфере data science, машинного обучения и статистики. Автор книги Томас Нилд поможет вам разобраться в таких дисциплинах, как математический анализ, теория вероятностей, линейная алгебра и статистика, и научиться применять их в контексте таких методов, как линейная регрессия, логистическая регрессия и нейронные сети. Попутно вы узнаете, что представляет собой современная область data science и как использовать полученные знания, чтобы достичь максимального успеха в карьере.

Mastering Excel with ChatGPT, A Guide to Automation and Efficiency, Tang Y.
     
   Welcome to your journey of mastering Excel! Before we dive into the complexities and advanced functions of this tool, it is crucial to understand its interface. It helps you become familiar with its components and navigation.

Машинное обучение, Основы, Николенко С., 2025.
     
   Машинное обучение давно уже стало синонимом искусственного интеллекта. Оно проникло во многие аспекты нашей жизни и стало одной из важнейших областей современной науки. Эта книга — путеводитель по ключевым идеям машинного обучения. Вы узнаете, как методы машинного обучения получаются из основных принципов теории вероятностей, пройдёте путь от теоремы Байеса до обобщенных линейных моделей и узнаете в лицо тех китов, на которых стоит весь современный искусственный интеллект. Множество увлекательных кейсов, практических примеров и интересных задач — от анализа ретроспективных научных исследований до эффекта «горячей руки» в баскетболе — помогут разобраться в самых сложных концепциях. Кроме того, книга может лечь в основу базовых курсов по машинному обучению.

Машинное обучение для абсолютных новичков, Вводный курс, изложенный простым языком, Теобальд О., 2024.
     
   «Машинное обучение для абсолютных новичков» Оливера Теобальда — это идеальная книга для тех, кто хочет изучить основы машинного обучения (ML) без опыта программирования. Книга содержит основные алгоритмы ML, наглядные примеры, практические работы и обучение классической статистике. Руководство включает в себя материалы по загрузке бесплатных наборов данных, методы очистки и подготовки данных для анализа, основы работы нейронных сетей и многое другое.

Large Language Models Projects, Martra P., 2024.
     
   In this book, I have attempted to provide an explanation that guides the reader from merely using large language models via API to defining large solutions where these models play a significant role. To achieve this, various techniques are explained, including prompt engineering, model training and evaluation, and the use of tools such as vector databases. The importance of these large language models is not only discussed, but great emphasis is also placed on the handling of embeddings, which is essentially the language understood by large language models.