Bewertung:
Das Buch wird für seine klaren Erklärungen, praktischen Beispiele und den umfassenden Überblick über Konzepte des maschinellen Lernens, insbesondere in R, gelobt. Viele Rezensenten hoben den effektiven Lehrstil der Autoren und den gut strukturierten Inhalt hervor, der sowohl Anfängern als auch denjenigen dient, die ihr Wissen festigen wollen. Einige Kritiker bemängelten jedoch die Qualität der gedruckten Version, indem sie Probleme mit der Haltbarkeit, der Farbwiedergabe und dem Gesamtwert der Produktion anführten, wodurch das Buch als überteuert empfunden wurde.
Vorteile:Klare Erklärungen und Beispiele, praktische Tipps, gründliche Einführung in maschinelles Lernen mit R, gute Organisation des Inhalts und effektiver Lehrstil der Autoren.
Nachteile:Schlechte Druckqualität, Probleme mit der Bindung und der Lesbarkeit von Farbgrafiken im Schwarz-Weiß-Druck, und teuer für die gebotene Qualität.
(basierend auf 11 Leserbewertungen)
Hands-On Machine Learning with R
Das Buch Hands-on Machine Learning with R bietet einen praktischen und angewandten Ansatz zum Erlernen und Entwickeln von Intuition für die heute beliebtesten Methoden des maschinellen Lernens. Dieses Buch dient als praktischer Leitfaden für den Prozess des maschinellen Lernens und soll dem Leser dabei helfen, den Stack des maschinellen Lernens in R anzuwenden. Dazu gehört die Verwendung verschiedener R-Pakete wie glmnet, h2o, ranger, xgboost, keras und anderer, um Daten effektiv zu modellieren und Erkenntnisse daraus zu gewinnen. Das Buch bevorzugt einen praktischen Ansatz und vermittelt ein intuitives Verständnis von Konzepten des maschinellen Lernens anhand konkreter Beispiele und nur ein wenig Theorie.
In diesem Buch wird der Leser mit dem gesamten Prozess des maschinellen Lernens vertraut gemacht, einschließlich Feature-Engineering, Resampling, Abstimmung der Hyperparameter, Modellbewertung und Interpretation. Der Leser lernt leistungsstarke Algorithmen wie regularisierte Regression, Random Forests, Gradient-Boosting-Maschinen, Deep Learning, verallgemeinerte Low-Rank-Modelle und vieles mehr kennen! Durch die Bevorzugung eines praktischen Ansatzes und die Verwendung von realen Wortdaten wird der Leser ein intuitives Verständnis der Architekturen und Maschinen erlangen, die diese Algorithmen und Pakete antreiben, verstehen, wann und wie die verschiedenen Hyperparameter abgestimmt werden müssen, und in der Lage sein, Modellergebnisse zu interpretieren. Am Ende dieses Buches sollte der Leser den Stack von R für maschinelles Lernen fest im Griff haben und in der Lage sein, einen systematischen Ansatz zur Erzeugung hochwertiger Modellierungsergebnisse zu implementieren.
Merkmale:
- Bietet eine praktische und angewandte Einführung in die gängigsten Methoden des maschinellen Lernens.
- Zu den behandelten Themen gehören Feature Engineering, Resampling, Deep Learning und mehr.
- Verwendet einen praxisnahen Ansatz und reale Daten.
| ISBN: | 9781138495685 |
| Autor: | |
| Verlag: | |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2019 |
| Seitenzahl: | 456 |
Derzeit verfügbar, auf Lager.
