Leserbewertungen
Zusammenfassung:Das Buch hat gemischte Kritiken, einige finden es hilfreich für Anfänger, andere kritisieren den geringen Inhalt. Es bietet eine solide Einführung in das maschinelle Lernen und enthält praktische Beispiele, insbesondere für R und Tidyverse.
Vorteile:⬤ Gut strukturierte und umfassende Einführung in das maschinelle Lernen
⬤ nützlich für Anfänger
⬤ enthält Erklärungen neben Schritten
⬤ praktische Beispiele, die funktionieren
⬤ gutes Kapitel über Tidyverse.
⬤ Der Inhalt könnte für einige Leser zu leicht sein
⬤ Enttäuschung bei einigen Fans anderer Bücher von Manning Publications
⬤ empfohlene Alternativen deuten darauf hin, dass es nicht alle Bedürfnisse erfüllt.
(basierend auf 5 Leserbewertungen)
Originaltitel:
Machine Learning with R, the Tidyverse, and Mlr
Inhalt des Buches:
Zusammenfassung.
Maschinelles Lernen (ML) ist eine Sammlung von Programmiertechniken zur Erkennung von Beziehungen in Daten. Mit ML-Algorithmen können Sie Daten für Aufgaben wie Empfehlungen oder Betrugserkennung clustern und klassifizieren und Vorhersagen für Verkaufstrends, Risikoanalysen und andere Prognosen treffen. Einst die Domäne akademischer Datenwissenschaftler, hat sich das maschinelle Lernen zu einem Mainstream-Geschäftsprozess entwickelt, und Tools wie die leicht zu erlernende Programmiersprache R machen hochwertige Datenanalysen für jeden Programmierer möglich. Machine Learning with R, the tidyverse, and mlr lehrt Sie weit verbreitete ML-Techniken und wie Sie diese auf Ihre eigenen Datensätze anwenden können, indem Sie die Programmiersprache R und ihr leistungsfähiges Ökosystem von Werkzeugen nutzen. Dieses Buch wird Ihnen den Einstieg erleichtern!
Der Kauf des gedruckten Buches beinhaltet ein kostenloses eBook im PDF-, Kindle- und ePub-Format von Manning Publications.
Über das Buch.
Maschinelles Lernen mit R, tidyverse und mlr ermöglicht Ihnen den Einstieg in das maschinelle Lernen mit R Studio und dem großartigen mlr-Paket für maschinelles Lernen. Dieses praktische Handbuch vereinfacht die Theorie und vermeidet unnötig komplizierte Statistiken oder Mathematik. Alle zentralen ML-Techniken werden anhand von Grafiken und leicht verständlichen Beispielen klar erklärt. In jedem fesselnden Kapitel setzen Sie einen neuen Algorithmus in die Tat um, um ein skurriles Problem der Vorhersageanalyse zu lösen, einschließlich der Überlebenswahrscheinlichkeit der Titanic, der Filterung von Spam-E-Mails und der Untersuchung von vergiftetem Wein.
Was drin ist.
Verwendung der tidyverse-Pakete zur Verarbeitung und Darstellung Ihrer Daten.
Techniken für überwachtes und unüberwachtes Lernen.
Klassifizierung, Regression, Dimensionsreduktion und Clustering-Algorithmen.
Statistik-Fibel, um Wissenslücken zu schließen.
Über den Leser.
Für Einsteiger in das maschinelle Lernen mit Grundkenntnissen in R.
Über den Autor.
Hefin I. Rhys ist ein leitender Laborforscher am Francis Crick Institute. Er betreibt einen eigenen YouTube-Kanal mit Screencast-Tutorials für R und RStudio.
Inhaltsverzeichnis:
TEIL 1 - EINFÜHRUNG.
1. Einführung in das maschinelle Lernen.
2. Aufräumen, Manipulieren und Plotten von Daten mit tidyverse.
TEIL 2 - KLASSIFIZIERUNG.
3. Klassifizierung auf der Grundlage von Ähnlichkeiten mit k-ächsten Nachbarn.
4. Klassifizierung auf der Grundlage von Quoten mit logistischer Regression.
5. Klassifizierung durch Maximierung der Trennung mit der Diskriminanzanalyse.
6. Klassifizierung mit Naive Bayes und Support-Vektor-Maschinen.
7. Klassifizierung mit Entscheidungsbäumen.
8. Verbesserung von Entscheidungsbäumen mit Random Forests und Boosting.
TEIL 3 - REGRESSION.
9. Lineare Regression.
10. Nichtlineare Regression mit verallgemeinerten additiven Modellen.
11. Verhinderung von Überanpassung mit Ridge-Regression, LASSO und elastischem Netz.
12. Regression mit kNN, Random Forest und XGBoost.
TEIL 4 - DIMENSIONSREDUKTION.
13. Maximierung der Varianz mit der Hauptkomponentenanalyse.
14. Maximierung der Ähnlichkeit mit t-SNE und UMAP.
15. Selbstorganisierende Karten und lokal lineare Einbettung.
TEIL 5 - CLUSTERING.
16. Clustering durch Zentrensuche mit k-means.
17. Hierarchische Clusterbildung.
18. Clustering basierend auf Dichte: DBSCAN und OPTICS.
19. Clustering auf der Grundlage von Verteilungen mit Mischungsmodellierung.
20. Schlussbemerkungen und weiterführende Literatur.
Weitere Daten des Buches:
| ISBN: | 9781617296574 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 536 |
Kauf:
Derzeit verfügbar, auf Lager.
