Машинное обучение и Kotlin: от идеи до production-модели

Если вы Kotlin-разработчик и хотите освоить машинное обучение, не переходя на Python, — эта книга для вас. Дмитрий Волков, практикующий инженер с десятилетним стажем, показывает, как строить полноценные ML-системы на родном для JVM языке, используя всю мощь экосистемы Kotlin и совместимость с популярными Python-библиотеками.

Книга разделена на четыре логические части:

• Основы ML на Kotlin — математический аппарат (линейная алгебра, статистика, оптимизация) с примерами на чистом Kotlin. Вы узнаете, как реализовать линейную регрессию, логистическую регрессию и метод k-ближайших соседей без внешних зависимостей.
• Библиотеки и инструменты — глубокое погружение в Koma (матричные вычисления), KotlinDL (нейросети от JetBrains), DeepLearning4J (промышленный Deep Learning) и интеграцию с TensorFlow через Java API. Вы научитесь загружать предобученные модели и дообучать их под свои задачи.
• Интеграция с Python-экосистемой — запуск Python-скриптов через ProcessBuilder, использование Jupyter Notebooks для прототипирования и применение DJL (Deep Java Library) для бесшовной работы с PyTorch и TensorFlow моделями прямо из Kotlin-кода.
• Production ML-системы — построение пайплайнов обработки данных, сериализация моделей в форматы PMML и ONNX, развёртывание через Spring Boot, мониторинг дрейфа данных и A/B-тестирование моделей в реальном времени.

Особое внимание уделено практическим кейсам:

• Классификация текстовых отзывов с использованием NLP на Kotlin
• Прогнозирование временных рядов (продажи, трафик) с рекуррентными сетями
• Рекомендательная система на коллаборативной фильтрации
• Детекция аномалий в логах сервера
• Компьютерное зрение: классификация изображений с KotlinDL

Все примеры сопровождаются рабочим кодом, доступным в репозитории. Вы научитесь не только обучать модели, но и внедрять их в реальные приложения — от Android до серверных микросервисов. Книга подойдёт разработчикам, знакомым с основами Kotlin и Java, но не требует предварительных знаний в области ML. Для тех, кто хочет оставаться в экосистеме JVM, не жертвуя современными возможностями Data Science.

В финале вас ждёт сквозной проект: создание ML-сервиса для предсказания оттока клиентов — от сбора данных до деплоя в Kubernetes с использованием Ktor и Kafka. Вы получите готовый шаблон для построения собственных ML-продуктов на Kotlin.

Книга издана в твёрдой обложке, содержит более 400 страниц, 80+ иллюстраций и QR-коды на видео-уроки. Идеальный выбор для тех, кто хочет писать машинное обучение на языке, который знает и любит.