Ocena:
Książka ma mieszane recenzje, niektórzy uważają ją za pomocną dla początkujących, podczas gdy inni krytykują jej lekką zawartość. Zapewnia solidne wprowadzenie do uczenia maszynowego i zawiera praktyczne przykłady, szczególnie dla R i Tidyverse.
Zalety:⬤ Dobrze zorganizowane i kompleksowe wprowadzenie do uczenia maszynowego
⬤ przydatne dla początkujących
⬤ zawiera wyjaśnienia wraz z krokami
⬤ praktyczne przykłady, które działają
⬤ dobry rozdział o Tidyverse.
⬤ Treść może być zbyt lekka dla niektórych czytelników
⬤ rozczarowanie odnotowane przez niektórych fanów innych książek Manning Publications
⬤ zalecane alternatywy sugerują, że może nie spełniać wszystkich potrzeb.
(na podstawie 5 opinii czytelników)
Machine Learning with R, the Tidyverse, and Mlr
Streszczenie.
Uczenie maszynowe (ML) to zbiór technik programowania służących do odkrywania relacji w danych. Dzięki algorytmom ML można grupować i klasyfikować dane do zadań takich jak tworzenie rekomendacji lub wykrywanie oszustw, a także przewidywać trendy sprzedaży, analizę ryzyka i inne prognozy. Niegdyś domena akademickich naukowców zajmujących się danymi, uczenie maszynowe stało się głównym procesem biznesowym, a narzędzia takie jak łatwy do opanowania język programowania R sprawiają, że wysokiej jakości analiza danych jest w zasięgu ręki każdego programisty. Machine Learning with R, the tidyverse, and mlr uczy szeroko stosowanych technik ML i jak zastosować je do własnych zbiorów danych przy użyciu języka programowania R i jego potężnego ekosystemu narzędzi. Ta książka pozwoli Ci zacząć!
Zakup książki drukowanej obejmuje bezpłatny eBook w formatach PDF, Kindle i ePub od Manning Publications.
O książce.
Machine Learning with R, the tidyverse, and mlr pozwala rozpocząć naukę uczenia maszynowego przy użyciu R Studio i niesamowitego pakietu uczenia maszynowego mlr. Ten praktyczny przewodnik upraszcza teorię i unika niepotrzebnie skomplikowanych statystyk lub matematyki. Wszystkie podstawowe techniki ML są jasno wyjaśnione za pomocą grafiki i łatwych do zrozumienia przykładów. W każdym wciągającym rozdziale wprowadzisz w życie nowy algorytm, aby rozwiązać dziwaczny problem analizy predykcyjnej, w tym szanse na przetrwanie Titanica, filtrowanie spamu i badanie zatrutego wina.
Co jest w środku.
Korzystanie z pakietów tidyverse do przetwarzania i wykreślania danych.
Techniki uczenia nadzorowanego i nienadzorowanego.
Algorytmy klasyfikacji, regresji, redukcji wymiaru i grupowania.
Elementarz statystyki uzupełniający luki w wiedzy.
O czytelniku.
Dla nowicjuszy w uczeniu maszynowym z podstawowymi umiejętnościami w R.
O autorze.
Hefin I. Rhys jest starszym naukowcem laboratoryjnym w Instytucie Francisa Cricka. Prowadzi własny kanał YouTube z samouczkami screencast dla R i RStudio.
Spis treści:
CZĘŚĆ 1 - WPROWADZENIE.
1. Wprowadzenie do uczenia maszynowego.
2. Porządkowanie, manipulowanie i wykreślanie danych za pomocą tidyverse.
CZĘŚĆ 2 - KLASYFIKACJA.
3. Klasyfikacja na podstawie podobieństw z k-najbliższymi sąsiadami.
4. Klasyfikacja na podstawie szans za pomocą regresji logistycznej.
5. Klasyfikacja poprzez maksymalizację separacji za pomocą analizy dyskryminacyjnej.
6. Klasyfikacja za pomocą naiwnego Bayesa i maszyn wektorów nośnych.
7. Klasyfikacja za pomocą drzew decyzyjnych.
8. Ulepszanie drzew decyzyjnych za pomocą lasów losowych i boostingu.
CZĘŚĆ 3 - REGRESJA.
9. Regresja liniowa.
10. Regresja nieliniowa z uogólnionymi modelami addytywnymi.
11. Zapobieganie nadmiernemu dopasowaniu za pomocą regresji grzbietowej, LASSO i elastycznej sieci.
12. Regresja z wykorzystaniem kNN, lasu losowego i XGBoost.
CZĘŚĆ 4 - REDUKCJA WYMIARU.
13. Maksymalizacja wariancji za pomocą analizy składowych głównych.
14. Maksymalizacja podobieństwa za pomocą t-SNE i UMAP.
15. Samoorganizujące się mapy i lokalnie liniowe osadzanie.
CZĘŚĆ 5 - GRUPOWANIE.
16. Klasteryzacja przez znajdowanie centrów za pomocą k-średnich.
17. Klasteryzacja hierarchiczna.
18. Klastrowanie oparte na gęstości: DBSCAN i OPTICS.
19. Klastrowanie oparte na rozkładach z modelowaniem mieszanym.
20. Uwagi końcowe i dalsze lektury.