Strojové učení s R, Tidyverse a Mlr

Recenze čtenářů

Kniha má smíšené hodnocení, někteří ji považují za užitečnou pro začátečníky, jiní kritizují její lehký obsah. Poskytuje solidní úvod do strojového učení a obsahuje praktické příklady, zejména pro R a Tidyverse.

⬤ Dobře strukturovaný a komplexní úvod do strojového učení
⬤ užitečný pro začátečníky
⬤ obsahuje vysvětlení vedle kroků
⬤ praktické příklady, které fungují
⬤ dobrá kapitola o Tidyverse.

⬤ Obsah může být pro některé čtenáře příliš lehký
⬤ zklamání zaznamenali někteří fanoušci jiných knih Manning Publications
⬤ doporučené alternativy naznačují, že nemusí vyhovovat všem potřebám.

(na základě 5 hodnocení čtenářů)

Původní název:

Machine Learning with R, the Tidyverse, and Mlr

Obsah knihy:

Shrnutí.

Strojové učení (ML) je soubor programovacích technik pro objevování vztahů v datech. Pomocí algoritmů ML můžete shlukovat a klasifikovat data pro úlohy, jako je vytváření doporučení nebo odhalování podvodů, a vytvářet předpovědi pro trendy prodeje, analýzu rizik a další prognózy. Kdysi bylo strojové učení doménou akademických datových vědců, nyní se stalo běžným podnikovým procesem a nástroje, jako je snadno naučitelný programovací jazyk R, dávají kvalitní analýzu dat do rukou každého programátora. Kniha Machine Learning with R, the tidyverse, and mlr vás naučí široce používané techniky ML a jak je aplikovat na vlastní datové soubory pomocí programovacího jazyka R a jeho výkonného ekosystému nástrojů. Tato kniha vám pomůže začít!

Zakoupení tištěné knihy zahrnuje bezplatnou elektronickou knihu ve formátech PDF, Kindle a ePub od Manning Publications.

O knize: Kniha je určena pro čtenáře, kteří se chtějí seznámit se systémem R.

Strojové učení s R, tidyverse a mlr vám pomůže začít se strojovým učením pomocí R Studia a úžasného balíčku mlr pro strojové učení. Tento praktický průvodce zjednodušuje teorii a vyhýbá se zbytečně komplikované statistice nebo matematice. Všechny základní techniky ML jsou srozumitelně vysvětleny pomocí grafiky a snadno pochopitelných příkladů. V každé poutavé kapitole uvedete do praxe nový algoritmus, který řeší bizarní problém prediktivní analýzy, včetně pravděpodobnosti přežití Titaniku, filtrování nevyžádané pošty a vyšetřování otráveného vína.

Co je uvnitř.

Použití balíčků tidyverse ke zpracování a vykreslování dat.

Techniky pro učení pod dohledem a bez dohledu.

Klasifikační, regresní, dimenzionální a shlukovací algoritmy.

Základní informace o statistice, které vám pomohou zaplnit mezery ve znalostech.

O čtenáři: V knize se dočtete, jak se v ní pracuje s daty, která jsou určena pro čtenáře.

Pro nováčky v oblasti strojového učení se základními dovednostmi v jazyce R.

O autorovi: Vydavatelé se zabývají problematikou výpočetní techniky a jejího využití v praxi.

Hefin I. Rhys je vedoucím vědeckým pracovníkem laboratoře v Institutu Francise Cricka. Na YouTube provozuje vlastní kanál s výukovými videi pro R a RStudio.

Obsah:

ČÁST 1 - ÚVOD.

1. Úvod do strojového učení.

2. Uklízení, manipulace a vykreslování dat pomocí programu tidyverse.

ČÁST 2 - KLASIFIKACE.

3. Klasifikace na základě podobnosti s k-nejbližšími sousedy.

4. Klasifikace na základě šancí pomocí logistické regrese.

5. Klasifikace na základě maximalizace separace pomocí diskriminační analýzy.

6. Klasifikace pomocí naive Bayes a strojů s podpůrnými vektory.

7. Klasifikace pomocí rozhodovacích stromů.

8. Zlepšování rozhodovacích stromů pomocí náhodných lesů a boostingu.

ČÁST 3 - REGRESE.

9. Lineární regrese.

10. Nelineární regrese se zobecněnými aditivními modely.

11. Prevence nadměrného přizpůsobení pomocí hřebenové regrese, LASSO a elastické sítě.

12. Regrese s kNN, náhodným lesem a XGBoost.

ČÁST 4 - REDUKCE DIMENZE.

13. Maximalizace rozptylu pomocí analýzy hlavních komponent.

14. Maximalizace podobnosti pomocí t-SNE a UMAP.

15. Samoorganizující se mapy a lokálně lineární vnoření.

ČÁST 5 - SHLUKOVÁNÍ.

16. Shlukování pomocí hledání center s k-means.

17. Hierarchické shlukování.

18. Shlukování na základě hustoty: DBSCAN a OPTICS.

19. Shlukování na základě rozdělení s modelováním směsí.

20. Závěrečné poznámky a další literatura.