Apprendimento automatico pratico con R

Recensioni dei lettori

Il libro è stato apprezzato per le spiegazioni chiare, gli esempi pratici e la panoramica completa dei concetti di apprendimento automatico, in particolare in R. Molti recensori hanno sottolineato l'efficace stile di insegnamento degli autori e il contenuto ben strutturato, che serve sia ai principianti sia a chi vuole consolidare le proprie conoscenze. Tuttavia, diverse recensioni hanno criticato la qualità della versione stampata, citando problemi di durata, riproduzione dei colori e valori di produzione generali, che la fanno sembrare eccessivamente costosa.

Spiegazioni ed esempi chiari, consigli pratici, introduzione approfondita all'apprendimento automatico con R, buona organizzazione dei contenuti e stile didattico efficace degli autori.

Scarsa qualità di stampa, problemi di rilegatura e leggibilità dei grafici a colori nella stampa in bianco e nero, e costoso per la qualità fornita.

(basato su 11 recensioni dei lettori)

Titolo originale:

Hands-On Machine Learning with R

Contenuto del libro:

Il libro Hands-on Machine Learning with R fornisce un approccio pratico e applicato all'apprendimento e allo sviluppo dell'intuizione dei metodi di apprendimento automatico oggi più diffusi. Questo libro è una guida pratica al processo di apprendimento automatico e intende aiutare il lettore a imparare ad applicare lo stack di apprendimento automatico in R, che comprende l'uso di vari pacchetti R come glmnet, h2o, ranger, xgboost, keras e altri per modellare in modo efficace e ottenere informazioni dai propri dati. Il libro privilegia un approccio pratico, fornendo una comprensione intuitiva dei concetti di apprendimento automatico attraverso esempi concreti e un po' di teoria.

Nel corso di questo libro, il lettore sarà esposto all'intero processo di apprendimento automatico, tra cui l'ingegnerizzazione delle caratteristiche, il ricampionamento, la messa a punto degli iperparametri, la valutazione dei modelli e l'interpretazione. Il lettore sarà esposto a potenti algoritmi come la regressione regolarizzata, le foreste casuali, le macchine di gradient boosting, il deep learning, i modelli generalizzati a basso rango e altro ancora! Privilegiando un approccio pratico e utilizzando dati reali, il lettore acquisirà una comprensione intuitiva delle architetture e dei motori che guidano questi algoritmi e pacchetti, capirà quando e come sintonizzare i vari iperparametri e sarà in grado di interpretare i risultati dei modelli. Alla fine di questo libro, il lettore dovrebbe avere una solida padronanza dello stack di apprendimento automatico di R ed essere in grado di implementare un approccio sistematico per produrre risultati di modellazione di alta qualità.

Caratteristiche:

- Offre un'introduzione pratica e applicata ai metodi di apprendimento automatico più diffusi.

- Gli argomenti trattati includono l'ingegneria delle caratteristiche, il ricampionamento, l'apprendimento profondo e altro ancora.

- Utilizza un approccio pratico e dati reali.