Hands-On Machine Learning with R

Olvasói vélemények

A könyvet dicsérik a világos magyarázatok, a gyakorlati példák és a gépi tanulás fogalmainak átfogó áttekintése miatt, különösen az R-ben. Sok kritikus kiemelte a szerzők hatékony tanítási stílusát és a jól strukturált tartalmat, amely mind a kezdőknek, mind a tudásukat megszilárdítani kívánóknak megfelel. Számos vélemény azonban kritizálta a nyomtatott változat minőségét, a tartóssággal, a színvisszaadással és az általános gyártási értékekkel kapcsolatos problémákra hivatkozva, ami miatt túlárazottnak érződik.

Világos magyarázatok és példák, gyakorlati tippek, alapos bevezetés a gépi tanulásba az R segítségével, jó tartalmi szervezés, és a szerzők hatékony tanítási stílusa.

Gyenge nyomtatási minőség, problémák a kötéssel és a színes grafikák olvashatóságával a fekete-fehér nyomtatásban, és drága a nyújtott minőséghez képest.

(11 olvasói vélemény alapján)

Könyv tartalma:

Hands-on Machine Learning with R gyakorlati és alkalmazott megközelítést nyújt a ma legnépszerűbb gépi tanulási módszerek megtanulásához és intuíciójának fejlesztéséhez. Ez a könyv gyakorlati útmutatóként szolgál a gépi tanulás folyamatához, és célja, hogy az olvasó megtanulja alkalmazni a gépi tanulás halmazát az R-en belül, amely magában foglalja a különböző R csomagok, például a glmnet, h2o, ranger, xgboost, keras és mások használatát, hogy hatékonyan modellezze és betekintést nyerjen az adataiból. A könyv a gyakorlatias megközelítést részesíti előnyben, és a gépi tanulás fogalmainak intuitív megértését biztosítja konkrét példákon és csak egy kis elméleten keresztül.

A könyv során az olvasó a teljes gépi tanulási folyamatot megismerheti, beleértve a jellemzők tervezését, az újramintázást, a hiperparaméterek hangolását, a modell kiértékelését és értelmezését. Az olvasó olyan nagy teljesítményű algoritmusokat ismerhet meg, mint a regularizált regresszió, a véletlen erdők, a gradiens boosting gépek, a mélytanulás, az általánosított alacsony rangú modellek és még sok más! A gyakorlatias megközelítés előnyben részesítésével és valós szóadatok felhasználásával az olvasó intuitív módon megérti az ezeket az algoritmusokat és csomagokat működtető architektúrákat és motorokat, megérti, hogy mikor és hogyan kell a különböző hiperparamétereket hangolni, és képes lesz a modellek eredményeinek értelmezésére. A könyv végére az olvasónak meg kell ismernie az R gépi tanulási stackjét, és képesnek kell lennie arra, hogy szisztematikus megközelítést alkalmazzon a kiváló minőségű modellezési eredmények előállításához.

Jellemzők:

- Gyakorlati és alkalmazott bevezetést nyújt a legnépszerűbb gépi tanulási módszerekhez.

- A tárgyalt témakörök között szerepel a feature engineering, az újramintavételezés, a mélytanulás és még sok más.

- Gyakorlati megközelítést és valós adatokat használ.