Învățarea automată cu R, Tidyverse și Mlr

Recenzii ale cititorilor

Cartea are recenzii mixte, unii considerând-o utilă pentru începători, în timp ce alții îi critică conținutul ușor. Ea oferă o introducere solidă în învățarea automată și include exemple practice, în special pentru R și Tidyverse.

⬤ Introducere bine structurată și cuprinzătoare în machine learning
⬤ utilă pentru începători
⬤ include explicații alături de pași
⬤ exemple practice care funcționează
⬤ capitol bun despre Tidyverse.

⬤ Conținutul poate fi prea ușor pentru unii cititori
⬤ dezamăgire remarcată de unii fani ai altor cărți Manning Publications
⬤ alternativele recomandate sugerează că nu poate satisface toate nevoile.

(pe baza a 5 recenzii ale cititorilor)

Titlul original:

Machine Learning with R, the Tidyverse, and Mlr

Conținutul cărții:

Rezumat.

Învățarea mecanică (ML) este o colecție de tehnici de programare pentru descoperirea relațiilor în date. Cu ajutorul algoritmilor ML, puteți grupa și clasifica datele pentru sarcini precum formularea de recomandări sau detectarea fraudelor și puteți face predicții pentru tendințele vânzărilor, analiza riscurilor și alte previziuni. Cândva domeniul cercetătorilor de date din mediul academic, învățarea automată a devenit un proces de afaceri obișnuit, iar instrumente precum limbajul de programare R, ușor de învățat, pun analiza datelor de înaltă calitate la îndemâna oricărui programator. Machine Learning with R, the tidyverse, and mlr vă învață tehnicile ML utilizate pe scară largă și cum să le aplicați la propriile seturi de date utilizând limbajul de programare R și ecosistemul său puternic de instrumente. Această carte vă va ajuta să începeți!

Achiziționarea cărții tipărite include o carte electronică gratuită în format PDF, Kindle și ePub de la Manning Publications.

Despre carte.

Învățarea automată cu R, tidyverse și mlr vă ajută să începeți învățarea automată folosind R Studio și pachetul minunat de învățare automată mlr. Acest ghid practic simplifică teoria și evită statisticile sau matematica inutil de complicate. Toate tehnicile ML de bază sunt explicate clar prin grafice și exemple ușor de înțeles. În fiecare capitol captivant, veți pune în acțiune un nou algoritm pentru a rezolva o problemă ciudată de analiză predictivă, inclusiv șansele de supraviețuire pe Titanic, filtrarea e-mailurilor spam și investigarea vinului otrăvit.

Ce este în interior.

Utilizarea pachetelor tidyverse pentru procesarea și trasarea datelor.

Tehnici pentru învățarea supravegheată și nesupravegheată.

Algoritmi de clasificare, regresie, reducere a dimensiunilor și clustering.

Abecedar de statistică pentru a umple golurile din cunoștințele dumneavoastră.

Despre cititor.

Pentru începători în învățarea automată cu abilități de bază în R.

Despre autor.

Hefin I. Rhys este cercetător științific principal de laborator la Institutul Francis Crick. El își administrează propriul canal YouTube de tutoriale screencast pentru R și RStudio.

Tabla de conținut:

PARTEA 1 - INTRODUCERE.

1. Introducere în învățarea automată.

2. Ordonarea, manipularea și trasarea datelor cu tidyverse.

PARTEA 2 - CLASIFICARE.

3. Clasificarea pe baza similitudinilor cu vecinii cei mai apropiați k.

4. Clasificarea pe baza șanselor cu ajutorul regresiei logistice.

5. Clasificarea prin maximizarea separării cu ajutorul analizei discriminante.

6. Clasificarea cu Bayes naiv și mașini vectoriale de suport.

7. Clasificarea cu arbori de decizie.

8. Îmbunătățirea arborilor decizionali cu păduri aleatorii și boosting.

PARTEA 3 - REGRESIE.

9. Regresia liniară.

10. Regresia neliniară cu modele aditive generalizate.

11. Prevenirea supraajustării cu ajutorul regresiei ridge, LASSO și rețelei elastice.

12. Regresia cu kNN, random forest și XGBoost.

PARTEA 4 - REDUCEREA DIMENSIUNILOR.

13. Maximizarea varianței cu analiza componentelor principale.

14. Maximizarea similarității cu t-SNE și UMAP.

15. Hărți de auto-organizare și încorporare liniară locală.

PARTEA 5 - GRUPAREA.

16. Clustering prin găsirea centrelor cu k-means.

17. Clustering ierarhic.

18. Clustering bazat pe densitate: DBSCAN și OPTICS.

19. Clustering bazat pe distribuții cu modelarea amestecurilor.

20. Note finale și lecturi suplimentare.