Recensioni dei lettori
Riepilogo:Il libro ha ricevuto recensioni contrastanti: alcuni lo ritengono utile per i principianti, mentre altri ne criticano la leggerezza dei contenuti. Fornisce una solida introduzione all'apprendimento automatico e include esempi pratici, soprattutto per R e Tidyverse.
Vantaggi:⬤ Introduzione ben strutturata e completa all'apprendimento automatico
⬤ utile per i principianti
⬤ include spiegazioni accanto ai passaggi
⬤ esempi pratici che funzionano
⬤ buon capitolo su Tidyverse.
⬤ I contenuti potrebbero essere troppo leggeri per alcuni lettori
⬤ delusione notata da alcuni fan di altri libri di Manning Publications
⬤ le alternative consigliate suggeriscono che potrebbe non soddisfare tutte le esigenze.
(basato su 5 recensioni dei lettori)
Titolo originale:
Machine Learning with R, the Tidyverse, and Mlr
Contenuto del libro:
Sommario.
L'apprendimento automatico (ML) è un insieme di tecniche di programmazione per scoprire relazioni nei dati. Con gli algoritmi di ML è possibile raggruppare e classificare i dati per attività come la formulazione di raccomandazioni o il rilevamento di frodi e fare previsioni per l'andamento delle vendite, l'analisi dei rischi e altre previsioni. Un tempo dominio degli scienziati dei dati accademici, l'apprendimento automatico è diventato un processo aziendale mainstream e strumenti come il linguaggio di programmazione R, facile da imparare, mettono l'analisi dei dati di alta qualità nelle mani di qualsiasi programmatore. Machine Learning with R, the tidyverse, and mlr vi insegna le tecniche di ML più diffuse e come applicarle ai vostri set di dati utilizzando il linguaggio di programmazione R e il suo potente ecosistema di strumenti. Questo libro vi farà iniziare a lavorare!
L'acquisto del libro stampato include un eBook gratuito nei formati PDF, Kindle e ePub di Manning Publications.
Informazioni sul libro.
Machine Learning with R, the tidyverse, and mlr vi permette di iniziare l'apprendimento automatico utilizzando R Studio e il fantastico pacchetto di apprendimento automatico mlr. Questa guida pratica semplifica la teoria ed evita statistiche o matematica inutilmente complicate. Tutte le principali tecniche di ML sono spiegate chiaramente attraverso grafici ed esempi di facile comprensione. In ogni avvincente capitolo, metterete in azione un nuovo algoritmo per risolvere uno stravagante problema di analisi predittiva, tra cui le probabilità di sopravvivenza del Titanic, il filtraggio delle e-mail di spam e l'indagine sul vino avvelenato.
Cosa contiene.
Utilizzo dei pacchetti tidyverse per elaborare e tracciare i dati.
Tecniche di apprendimento supervisionato e non supervisionato.
Algoritmi di classificazione, regressione, riduzione delle dimensioni e clustering.
Primer di statistica per colmare le lacune delle vostre conoscenze.
Informazioni sul lettore.
Per i neofiti dell'apprendimento automatico con competenze di base in R.
Informazioni sull'autore.
Hefin I. Rhys è ricercatore di laboratorio senior presso il Francis Crick Institute. Gestisce il proprio canale YouTube di tutorial screencast per R e RStudio.
Indice dei contenuti:
PARTE 1 - INTRODUZIONE.
1. Introduzione all'apprendimento automatico.
2. Riordino, manipolazione e rappresentazione dei dati con il tidyverse.
PARTE 2 - CLASSIFICAZIONE.
3. Classificazione in base alle somiglianze con i k-nearest neighbors.
4. Classificazione in base alle probabilità con la regressione logistica.
5. Classificare massimizzando la separazione con l'analisi discriminante.
6. Classificazione con naive Bayes e macchine vettoriali di supporto.
7. Classificazione con alberi decisionali.
8. Miglioramento degli alberi di decisione con le foreste casuali e il boosting.
PARTE 3 - REGRESSIONE.
9. Regressione lineare.
10. Regressione non lineare con modelli additivi generalizzati.
11. Prevenzione dell'overfitting con regressione ridge, LASSO e rete elastica.
12. Regressione con kNN, random forest e XGBoost.
PARTE 4 - RIDUZIONE DELLE DIMENSIONI.
13. Massimizzazione della varianza con l'analisi delle componenti principali.
14. Massimizzazione della similarità con t-SNE e UMAP.
15. Mappe auto-organizzanti e embedding localmente lineare.
PARTE 5 - CLUSTERING.
16. Raggruppamento mediante la ricerca dei centri con k-means.
17. Clustering gerarchico.
18. Clustering basato sulla densità: DBSCAN e OPTICS.
19. Clustering basato su distribuzioni con modellazione a miscela.
20. Note finali e ulteriori letture.
Altre informazioni sul libro:
| ISBN: | 9781617296574 |
| Autore: | |
| Editore: | |
| Rilegatura: | Copertina morbida |
| Anno di pubblicazione: | 2020 |
| Numero di pagine: | 536 |
Acquisto:
Attualmente disponibile, in magazzino.
