Introduzione all'apprendimento automatico con R: Analisi matematica rigorosa

Recensioni dei lettori

Il libro è un'ottima guida introduttiva all'apprendimento automatico in R, che spiega facilmente concetti complessi per i principianti. Tuttavia, è molto criticato per la presenza di numerosi refusi ed errori che possono confondere i lettori, soprattutto quelli alle prime armi.

⬤ Facile da capire
⬤ buon contenuto introduttivo
⬤ introduzione completa ai concetti di apprendimento automatico
⬤ include esempi pratici utilizzando il pacchetto caret
⬤ buona struttura per i principianti.

⬤ Pieno di refusi ed errori
⬤ l'output non corrisponde al testo fornito
⬤ problemi di qualità di stampa
⬤ molti lettori consigliano di aspettare un'edizione riveduta a causa della mancanza di correzione delle bozze.

(basato su 7 recensioni dei lettori)

Titolo originale:

Introduction to Machine Learning with R: Rigorous Mathematical Analysis

Contenuto del libro:

L'apprendimento automatico è un argomento che intimidisce finché non se ne conoscono i fondamenti. Se conoscete i concetti di base della codifica, questa guida introduttiva vi aiuterà ad acquisire solide basi nei principi dell'apprendimento automatico.

Utilizzando il linguaggio di programmazione R, inizierete a imparare con la modellazione della regressione, per poi passare ad argomenti più avanzati come le reti neurali e i metodi ad albero. Infine, vi addentrerete nella frontiera dell'apprendimento automatico, utilizzando il pacchetto caret di R. Una volta sviluppata una certa familiarità con argomenti quali la differenza tra modelli di regressione e di classificazione, sarete in grado di risolvere una serie di problemi di apprendimento automatico.

L'autore Scott V.

Burger fornisce numerosi esempi per aiutarvi a costruire una conoscenza pratica dell'apprendimento automatico. Esplora i modelli di apprendimento automatico, gli algoritmi e la formazione dei dati.

Comprendere gli algoritmi di apprendimento automatico per i casi supervisionati e non supervisionati. Esaminare i concetti statistici per la progettazione dei dati da utilizzare nei modelli. Approfondire i modelli di regressione lineare utilizzati in ambito economico e scientifico.

Utilizzare reti neurali a singolo strato e multistrato per calcolare i risultati. Esaminare il funzionamento dei modelli ad albero, compresi i famosi alberi decisionali. Ottenere una visione completa dell'ecosistema dell'apprendimento automatico in R.

Esplorare la potenza degli strumenti disponibili nel pacchetto caret di R.