Reti neurali con R: Costruire sistemi intelligenti implementando i più diffusi modelli di deep learning in R

Recensioni dei lettori

Il libro fornisce una comprensione di base dell'IA e delle reti neurali utilizzando R, ma soffre di problemi grammaticali e di una mancanza di profondità in alcune aree. Sebbene sia apprezzato per essere ben strutturato e chiaro per i principianti, molti recensori ne sottolineano le carenze nella qualità della scrittura e nella copertura di contenuti specifici.

⬤ Presentazione ben scritta e sequenziale
⬤ ottimo per i principianti
⬤ spiegazioni concise
⬤ utili esempi di R
⬤ fonde la teoria con esempi di vita reale
⬤ altamente raccomandato per gli appassionati di programmazione R e di scienza dei dati.

⬤ Contiene problemi grammaticali e un inglese strano
⬤ manca di profondità negli argomenti
⬤ alcune affermazioni non sono scientifiche
⬤ grafici di bassa qualità
⬤ caratteri piccoli per le formule
⬤ nel complesso potrebbe essere scritto meglio dato il prezzo.

(basato su 10 recensioni dei lettori)

Titolo originale:

Neural Networks with R: Build smart systems by implementing popular deep learning models in R

Contenuto del libro:

Costruire solide basi per entrare nel mondo del Machine Learning e della scienza dei dati con l'aiuto di questa guida completa.

Caratteristiche principali

⬤ Iniziare nel campo del Machine Learning con l'aiuto di questa guida solida, ricca di concetti e allo stesso tempo molto pratica.

⬤ La vostra soluzione unica per tutto ciò che riguarda la padronanza del perché e del percome degli algoritmi di Machine Learning e della loro implementazione.

⬤ Ottieni una solida base per il tuo ingresso nel Machine Learning rafforzando le tue radici (algoritmi) con questa guida completa.

Descrizione del libro

Poiché la quantità di dati continua a crescere a un ritmo quasi incomprensibile, la capacità di comprendere ed elaborare i dati sta diventando un elemento di differenziazione fondamentale per le organizzazioni competitive. Le applicazioni di machine learning sono ovunque, dalle auto a guida autonoma, al rilevamento dello spam, alla ricerca di documenti, alle strategie di trading, fino al riconoscimento vocale. Ciò rende l'apprendimento automatico adatto all'attuale era dei Big Data e della Data Science. La sfida principale è come trasformare i dati in conoscenze utilizzabili.

In questo libro imparerete tutti i principali algoritmi di apprendimento automatico comunemente utilizzati nel campo della scienza dei dati. Questi algoritmi possono essere utilizzati sia per l'apprendimento supervisionato che per quello non supervisionato, per l'apprendimento con rinforzo e per l'apprendimento semi-supervisionato. Alcuni famosi algoritmi trattati in questo libro sono la regressione lineare, la regressione logistica, SVM, Naive Bayes, K-Means, Random Forest, TensorFlow e Feature engineering. In questo libro imparerete anche come funzionano questi algoritmi e la loro implementazione pratica per risolvere i vostri problemi. Questo libro vi introdurrà anche al linguaggio di elaborazione naturale e ai sistemi di raccomandazione, che vi aiuteranno a eseguire più algoritmi contemporaneamente.

Al termine del libro avrete imparato a selezionare gli algoritmi di apprendimento automatico per il clustering, la classificazione o la regressione in base al vostro problema.

Cosa imparerete

⬤ Conoscere gli elementi importanti del Machine Learning.

⬤ Comprendere il processo di selezione e progettazione delle caratteristiche.

⬤ Valutare le prestazioni e i compromessi di errore per la regressione lineare.

⬤ Costruire un modello di dati e capire come funziona utilizzando diversi tipi di algoritmi.

⬤ Imparare a mettere a punto i parametri delle macchine a vettore di supporto.

⬤ Implementare i cluster in un set di dati.

⬤ Esplorare il concetto di linguaggio di elaborazione naturale e di sistemi di raccomandazione.

⬤ Creare un'architettura di ML da zero.

Per chi è questo libro

Questo libro si rivolge ai professionisti dell'informatica che vogliono entrare nel campo della scienza dei dati e che sono alle prime armi con il Machine Learning. La familiarità con linguaggi come R e Python sarà preziosa.