Opinie czytelników
Podsumowanie:Książka jest dobrze oceniana ze względu na zawartość dotyczącą uporządkowanego modelowania w R, dostarczając cennych spostrzeżeń i praktycznych porad od doświadczonych autorów. Brakuje jednak kolorowego druku, co niektórzy czytelnicy uznali za wadę, a śledzenie może być trudne ze względu na pominięcie nazw pakietów w wywołaniach funkcji.
Zalety:Wartościowa treść, która pogłębia wiedzę na temat programowania w R, praktyczne spostrzeżenia na temat modelowania, zalecane zarówno dla początkujących, jak i doświadczonych profesjonalistów, łatwy do zrozumienia język, porusza ważne pułapki w modelowaniu.
Wady:Brak kolorowych wydruków, co utrudnia prezentację; pomijanie nazw pakietów w wywołaniach funkcji utrudnia debugowanie.
(na podstawie 6 opinii czytelników)
Oryginalny tytuł:
Tidy Modeling with R: A Framework for Modeling in the Tidyverse
Zawartość książki:
Rozpocznij pracę z tidymodels, zbiorem pakietów R do modelowania i uczenia maszynowego. Niezależnie od tego, czy dopiero zaczynasz, czy masz wieloletnie doświadczenie w modelowaniu, to praktyczne wprowadzenie pokazuje analitykom danych, analitykom biznesowym i naukowcom zajmującym się danymi, w jaki sposób struktura tidymodels oferuje spójne, elastyczne podejście do pracy.
Inżynierowie RStudio Max Kuhn i Julia Silge demonstrują sposoby tworzenia modeli, koncentrując się na dialekcie R zwanym tidyverse. Oprogramowanie, które przyjmuje zasady tidyverse, dzieli zarówno filozofię projektowania wysokiego poziomu, jak i niskopoziomową gramatykę i struktury danych, więc poznanie jednego elementu ekosystemu ułatwia naukę następnego. Zrozumiesz, dlaczego framework tidymodels został zbudowany tak, aby mógł być używany przez szerokie grono osób.
Dzięki tej książce
⬤ Poznasz kroki niezbędne do zbudowania modelu od początku do końca.
⬤ Zrozumiesz, jak płynnie korzystać z różnych podejść do modelowania i inżynierii funkcji.
⬤ Zbadać możliwości uniknięcia typowych pułapek modelowania, takich jak nadmierne dopasowanie.
⬤ Poznanie praktycznych metod przygotowania danych do modelowania.
⬤ Dostrajanie modeli w celu uzyskania optymalnej wydajności.
⬤ Stosowanie dobrych praktyk statystycznych do porównywania, oceny i wyboru modeli.
