Értékelés:
A könyvről vegyes vélemények születtek, egyesek szerint hasznos a kezdők számára, míg mások a könnyed tartalmát kritizálják. Szilárd bevezetést nyújt a gépi tanulásba, és gyakorlati példákat tartalmaz, különösen az R és a Tidyverse esetében.
Előnyök:⬤ Jól felépített és átfogó bevezetés a gépi tanulásba
⬤ hasznos kezdőknek
⬤ magyarázatokat tartalmaz a lépések mellett
⬤ gyakorlati példák, amelyek működnek
⬤ jó fejezet a Tidyverse-ről.
⬤ A tartalom egyes olvasók számára túlságosan könnyed lehet
⬤ csalódást okozott a Manning Publications más könyveinek néhány rajongója
⬤ az ajánlott alternatívák azt sugallják, hogy nem minden igényt elégít ki.
(5 olvasói vélemény alapján)
Machine Learning with R, the Tidyverse, and Mlr
Összefoglaló.
A gépi tanulás (ML) az adatokban lévő összefüggések felfedezésére szolgáló programozási technikák gyűjteménye. Az ML-algoritmusok segítségével klaszterezhet és osztályozhat adatokat olyan feladatokhoz, mint az ajánlások készítése vagy a csalás felderítése, valamint előrejelzéseket készíthet értékesítési trendekhez, kockázatelemzéshez és egyéb előrejelzésekhez. Az egykor az akadémiai adattudósok területe volt, a gépi tanulás mára már általános üzleti folyamattá vált, és az olyan eszközök, mint a könnyen megtanulható R programozási nyelv, bármely programozó kezébe adják a kiváló minőségű adatelemzést. A Machine Learning with R, the tidyverse, and mlr megtanítja a széles körben használt ML-technikákat, és azt, hogyan alkalmazhatja azokat saját adathalmazaira az R programozási nyelv és a hozzá tartozó hatékony eszközrendszer segítségével. Ezzel a könyvvel el is kezdheted!
A nyomtatott könyv megvásárlása magában foglalja a Manning Publications ingyenes e-könyvét PDF, Kindle és ePub formátumban.
A könyvről.
A Machine Learning with R, the tidyverse, and mlr című könyv az R Studio és a fantasztikus mlr gépi tanulási csomag segítségével segít a gépi tanulásban. Ez a gyakorlatias útmutató leegyszerűsíti az elméletet, és elkerüli a feleslegesen bonyolult statisztikát vagy matematikát. Minden alapvető ML-technikát világosan elmagyaráz grafikonokon és könnyen érthető példákon keresztül. Minden egyes lebilincselő fejezetben egy-egy új algoritmust vethetsz be egy-egy furcsa prediktív elemzési probléma megoldására, beleértve a Titanic túlélési esélyeit, a spam e-mailek szűrését és a mérgezett bor vizsgálatát.
Mi van benne?
A tidyverse csomagok használata az adatok feldolgozásához és ábrázolásához.
A felügyelt és a felügyelet nélküli tanulás technikái.
Osztályozási, regressziós, dimenziócsökkentő és klaszterező algoritmusok.
Statisztikai alapkönyv a hiányos ismeretek pótlására.
Az olvasóról.
A gépi tanulásban kezdő, R-ben alapszintű ismeretekkel rendelkező hallgatóknak.
A szerzőről.
Hefin I. Rhys a Francis Crick Intézet vezető laboratóriumi kutatója. Saját YouTube-csatornát üzemeltet, amelyen screencast oktatóanyagokat mutat be az R és az RStudio számára.
Tartalomjegyzék:
1. RÉSZ - BEVEZETÉS.
1. Bevezetés a gépi tanulásba.
2. Az adatok rendezése, kezelése és ábrázolása a tidyverse segítségével.
2. RÉSZ - OSZTÁLYOZÁS.
3. Osztályozás a k legközelebbi szomszédokkal való hasonlóságok alapján.
4. Osztályozás esélyek alapján logisztikus regresszióval.
5. Osztályozás a szeparáció maximalizálása alapján diszkriminancia-analízissel.
6. Osztályozás naiv Bayes és támogató vektor gépekkel.
7. Osztályozás döntési fákkal.
8. Döntési fák javítása véletlen erdőkkel és boostinggal.
3. RÉSZ - REGRESSZIÓ.
9. Lineáris regresszió.
10. Nemlineáris regresszió általánosított additív modellekkel.
11. A túlillesztés megakadályozása gerincregresszióval, LASSO-val és rugalmas hálóval.
12. Regresszió kNN-nel, random forestdel és XGBoosttal.
4. RÉSZ - DIMENZIÓCSÖKKENTÉS.
13. A variancia maximalizálása főkomponens-elemzéssel.
14. A hasonlóság maximalizálása t-SNE és UMAP segítségével.
15. Önszerveződő térképek és lokálisan lineáris beágyazás.
5. RÉSZ - KLASZTEREZÉS.
16. Klaszterezés középpontok keresésével k-means segítségével.
17. Hierarchikus klaszterezés.
18. Sűrűségen alapuló klaszterezés: DBSCAN és OPTICS.
19. Elosztásokon alapuló klaszterezés keverékmodellezéssel.
20. Zárójegyzetek és további olvasmányok.
© Book1 Group - minden jog fenntartva.
Az oldal tartalma sem részben, sem egészben nem másolható és nem használható fel a tulajdonos írásos engedélye nélkül.
Utolsó módosítás időpontja: 2024.11.13 21:05 (GMT)
