Ocena:
Książka zapewnia podstawowe zrozumienie sztucznej inteligencji i sieci neuronowych przy użyciu R, ale cierpi na problemy gramatyczne i brak głębi w niektórych obszarach. Chociaż jest ceniona za dobrą strukturę i przejrzystość dla początkujących, wielu recenzentów wskazuje na jej niedociągnięcia w jakości pisania i szczegółowym pokryciu treści.
Zalety:⬤ Dobrze napisana i sekwencyjna prezentacja
⬤ dobra dla początkujących
⬤ zwięzłe wyjaśnienia
⬤ przydatne przykłady R
⬤ łączy teorię z rzeczywistymi przykładami
⬤ wysoce zalecane dla entuzjastów programowania w R i nauki o danych.
⬤ Zawiera problemy gramatyczne i dziwny angielski
⬤ brak głębi w tematach
⬤ niektóre stwierdzenia są nienaukowe
⬤ niskiej jakości wykresy
⬤ mały rozmiar czcionki dla formuł
⬤ ogólnie mógłby być lepiej napisany, biorąc pod uwagę cenę.
(na podstawie 10 opinii czytelników)
Neural Networks with R: Build smart systems by implementing popular deep learning models in R
Zbuduj solidne podstawy do wejścia w świat uczenia maszynowego i nauki o danych z pomocą tego kompleksowego przewodnika.
Kluczowe cechy
⬤ Rozpocznij swoją przygodę w dziedzinie uczenia maszynowego z pomocą tego solidnego, bogatego w koncepcje, a jednocześnie bardzo praktycznego przewodnika.
⬤ Twoje kompleksowe rozwiązanie dla wszystkiego, co ważne w opanowaniu tego, co i dlaczego algorytmów uczenia maszynowego i ich implementacji.
⬤ Zdobądź solidne podstawy do wejścia w uczenie maszynowe, wzmacniając swoje korzenie (algorytmy) dzięki temu kompleksowemu przewodnikowi.
Opis książki
Ponieważ ilość danych stale rośnie w niemal niezrozumiałym tempie, umiejętność ich rozumienia i przetwarzania staje się kluczowym czynnikiem wyróżniającym konkurencyjne organizacje. Aplikacje uczenia maszynowego są wszędzie, od samojezdnych samochodów, wykrywania spamu, wyszukiwania dokumentów i strategii handlowych, po rozpoznawanie mowy. To sprawia, że uczenie maszynowe dobrze nadaje się do obecnej ery Big Data i Data Science. Głównym wyzwaniem jest to, jak przekształcić dane w użyteczną wiedzę.
W tej książce poznasz wszystkie ważne algorytmy uczenia maszynowego, które są powszechnie stosowane w dziedzinie nauki o danych. Algorytmy te mogą być wykorzystywane zarówno do uczenia nadzorowanego, jak i nienadzorowanego, uczenia ze wzmocnieniem i uczenia półnadzorowanego. Kilka znanych algorytmów omówionych w tej książce to regresja liniowa, regresja logistyczna, SVM, Naive Bayes, K-Means, Random Forest, TensorFlow i inżynieria cech. W tej książce dowiesz się również, jak działają te algorytmy i jak je wdrożyć w praktyce, aby rozwiązać swoje problemy. Książka ta wprowadzi cię również w język przetwarzania naturalnego i systemy rekomendacji, które pomagają uruchamiać wiele algorytmów jednocześnie.
Po ukończeniu tej książki będziesz miał opanowany wybór algorytmów uczenia maszynowego do klastrowania, klasyfikacji lub regresji w oparciu o twój problem.
Czego się nauczysz
⬤ Zapoznać się z ważnymi elementami uczenia maszynowego.
⬤ Zrozumieć proces selekcji cech i inżynierii cech.
⬤ Ocenić wydajność i kompromisy błędów dla regresji liniowej.
⬤ Zbuduj model danych i zrozum, jak działa przy użyciu różnych typów algorytmów.
⬤ Nauczyć się dostrajać parametry maszyn wektorów nośnych.
⬤ Wdrożenie klastrów do zbioru danych.
⬤ Zapoznanie się z koncepcją języka przetwarzania naturalnego i systemów rekomendacji.
⬤ Stworzyć architekturę ML od podstaw.
Dla kogo jest ta książka
Ta książka jest przeznaczona dla specjalistów IT, którzy chcą wejść w dziedzinę nauki o danych i są bardzo nowi w uczeniu maszynowym. Znajomość języków takich jak R i Python będzie tutaj nieoceniona.