Машинное обучение и Go (Golang): от основ до production

Эта книга — первое на русском языке практическое руководство по созданию систем машинного обучения на языке Go. Если вы Go-разработчик, который хочет внедрить ML в свои проекты, или data scientist, заинтересованный в производительном и надёжном языке для production, — эта книга для вас.

О чём книга

Книга охватывает полный цикл работы с машинным обучением на Go: от сбора и предобработки данных, построения моделей (линейная регрессия, деревья решений, нейронные сети) до их развёртывания в микросервисной архитектуре. Особое внимание уделяется:

• Библиотекам и фреймворкам: golearn, Gorgonia, gonum, tfgo (TensorFlow для Go);
• Обработке больших объёмов данных с помощью каналов (channels) и горутин;
• Интеграции с внешними ML-сервисами (TensorFlow Serving, ONNX Runtime);
• Созданию REST/gRPC API для моделей;
• Тестированию, мониторингу и A/B-тестированию ML-систем.

Для кого эта книга

• Go-разработчики, которые хотят добавить машинное обучение в свой стек;
• Data scientists, желающие перейти с Python на более производительный Go;
• DevOps-инженеры, отвечающие за развёртывание ML-моделей;
• Студенты и преподаватели курсов по машинному обучению.

Что вы узнаете

• Как выбрать подходящий инструмент для конкретной ML-задачи на Go;
• Как построить и обучить модель регрессии, классификации и кластеризации;
• Как оптимизировать модель под highload и низкую задержку;
• Как интегрировать модель в существующий Go-сервис (например, на фреймворке Gin или Echo);
• Как использовать ONNX для переноса моделей между Python и Go;
• Как писать unit-тесты для ML-компонентов и управлять версиями моделей (DVC, Git LFS).

Почему Go для ML?

Go сочетает производительность C/C++ с простотой Python. Он идеален для продакшена: статическая типизация, быстрая компиляция, встроенная поддержка параллелизма. В книге показано, как эти преимущества помогают строить масштабируемые и надёжные ML-системы.

Пример из книги

В главе 5 вы реализуете сервис рекомендаций на основе коллаборативной фильтрации — от загрузки данных из CSV до развёртывания в Docker с Kubernetes. Полный код и тесты доступны в репозитории.

Книга рассчитана на читателей с базовым знанием Go (синтаксис, структуры, интерфейсы) и основ машинного обучения (что такое признаки, метрики, переобучение).