Sztuka uczenia maszynowego: Praktyczny przewodnik po uczeniu maszynowym z R

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 3 głosach.

Oryginalny tytuł:

The Art of Machine Learning: A Hands-On Guide to Machine Learning with R

Zawartość książki:

Dzięki temu praktycznemu przewodnikowi nauczysz się fachowo stosować szereg metod uczenia maszynowego do rzeczywistych danych.

Pełna rzeczywistych zbiorów danych i praktycznych przykładów książka The Art of Machine Learning pomoże ci rozwinąć intuicyjne zrozumienie tego, jak i dlaczego działają metody uczenia maszynowego, bez konieczności stosowania zaawansowanej matematyki.

W trakcie pracy z książką dowiesz się, jak wdrożyć szereg potężnych technik uczenia maszynowego, począwszy od metody k-Nearest Neighbors (k-NN) i lasów losowych, a skończywszy na zwiększaniu gradientu, maszynach wektorów nośnych (SVM), sieciach neuronowych i innych.

Korzystając z rzeczywistych zestawów danych, zagłębisz się w modele regresji przy użyciu zbioru danych rowerów publicznych, zbadasz drzewa decyzyjne, wykorzystując dane taksówek w Nowym Jorku, i przeanalizujesz metody parametryczne za pomocą statystyk graczy baseballowych. Znajdziesz tu również porady ekspertów dotyczące unikania typowych problemów, takich jak obsługa "brudnych" lub niezrównoważonych danych, a także sposoby rozwiązywania pułapek.

Poznasz również

⬤ Jak radzić sobie z dużymi zbiorami danych i technikami redukcji wymiaru.

⬤ Szczegóły na temat tego, w jaki sposób Bias-Variance Trade-off odgrywa rolę w konkretnych metodach ML.

⬤ Modele oparte na zależnościach liniowych, w tym regresja grzbietowa i regresja LASSO.

⬤ Klasyfikacja obrazów i tekstów w świecie rzeczywistym oraz obsługa danych szeregów czasowych.

Uczenie maszynowe to sztuka, która wymaga starannego dostrajania i poprawiania. Z The Art of Machine Learning jako przewodnikiem, opanujesz podstawowe zasady ML, które pozwolą ci efektywnie korzystać z tych modeli, a nie tylko zapewnią kilka standardowych działań o ograniczonym praktycznym zastosowaniu.

Wymagania: Podstawowe zrozumienie wykresów i wykresów oraz znajomość języka programowania R.