Értékelés:
A könyv alapvető ismereteket nyújt a mesterséges intelligenciáról és a neurális hálózatokról az R segítségével, de nyelvtani problémákkal küzd, és bizonyos területeken nem elég mélyreható. Míg a kezdők számára jól felépített és világos szerkezetéért nagyra értékelik, számos recenzens rámutat az írás minőségének és a konkrét tartalmi lefedettségnek a hiányosságaira.
Előnyök:⬤ Jól megírt és szekvenciális bemutatás
⬤ jó kezdőknek
⬤ tömör magyarázatok
⬤ hasznos R-példák
⬤ az elméletet valós példákkal vegyíti
⬤ erősen ajánlott az R programozás és az adattudományok szerelmeseinek.
⬤ Tartalmaz nyelvtani problémákat és furcsa angol nyelvet
⬤ nem elég mély a témákban
⬤ egyes állítások tudománytalanok
⬤ gyenge minőségű grafikonok
⬤ kis betűméret a képleteknél
⬤ összességében lehetne jobban megírt az árát tekintve.
(10 olvasói vélemény alapján)
Neural Networks with R: Build smart systems by implementing popular deep learning models in R
Erős alapokat építhet a gépi tanulás és az adattudomány világába való belépéshez ennek az átfogó útmutatónak a segítségével
Főbb jellemzők
⬤ Ezzel a szilárd, koncepciógazdag, ugyanakkor rendkívül gyakorlatias útmutatóval kezdjen bele a gépi tanulás területébe.
⬤ Az Ön egyablakos megoldása mindenhez, ami a Machine Learning algoritmusok és azok megvalósításának elsajátításához szükséges.
⬤ Szilárd alapot kap a gépi tanulásba való belépéshez a gyökerek (algoritmusok) megerősítésével ezzel az átfogó útmutatóval.
Könyv leírása
Mivel az adatmennyiség szinte felfoghatatlan ütemben növekszik, az adatok megértésének és feldolgozásának képessége kulcsfontosságú megkülönböztető tényezővé válik a versenyképes szervezetek számára. A gépi tanulás alkalmazásai mindenütt jelen vannak, az önvezető autóktól kezdve a spam-felismerésen, a dokumentumkeresésen és a kereskedési stratégiákon át a beszédfelismerésig. Ez teszi a gépi tanulást jól alkalmazhatóvá a Big Data és az adattudomány mai korszakában. A fő kihívás az, hogyan alakítsuk át az adatokat használható tudássá.
Ebben a könyvben megismerheti az összes fontos gépi tanulási algoritmust, amelyeket az adattudomány területén gyakran használnak. Ezek az algoritmusok egyaránt használhatók felügyelt és felügyelet nélküli tanuláshoz, megerősítéses tanuláshoz és félig felügyelt tanuláshoz. Néhány híres algoritmus, amelyekkel ez a könyv foglalkozik: lineáris regresszió, logisztikus regresszió, SVM, Naive Bayes, K-Means, Random Forest, TensorFlow és Feature engineering. Ebben a könyvben azt is megtudhatja, hogyan működnek ezek az algoritmusok és gyakorlati megvalósításukat a problémák megoldására. Ez a könyv megismerteti Önt a természetes feldolgozási nyelvvel és az ajánlórendszerekkel is, amelyek segítségével több algoritmus egyidejű futtatását is elvégezheti.
A könyv befejeztével elsajátítja a problémája alapján a klaszterezéshez, osztályozáshoz vagy regresszióhoz szükséges gépi tanulási algoritmusok kiválasztását.
Amit tanulni fog
⬤ Megismerkedik a gépi tanulás fontos elemeivel.
⬤ Tanulja meg a jellemzőválasztás és a jellemzőtervezés folyamatát.
⬤ Felméri a lineáris regresszió teljesítményét és hiba kompromisszumait.
⬤ Elkészítsen egy adatmodellt és megértse, hogyan működik a különböző típusú algoritmusok használatával.
⬤ Tanulja meg a támogató vektor gépek paramétereinek hangolását.
⬤ Klaszterek beillesztése egy adathalmazba.
⬤ A természetes feldolgozási nyelv és az ajánlórendszerek fogalmának megismerése.
⬤ Elkészíteni egy ML-architektúrát a semmiből.
Kinek szól ez a könyv
Ez a könyv azoknak az informatikai szakembereknek szól, akik szeretnének belépni az adattudomány területére, és nagyon újak a gépi tanulásban. Az olyan nyelvek, mint az R és a Python ismerete itt felbecsülhetetlen értékű lesz.