Uczenie maszynowe
Uczenie maszynowe w języku R. Tworzenie i doskonalenie modeli - od przygotowania danych po dostrajanie, ewaluację i pracę z big data. Wydanie IV
- Szczegóły
- Kategoria: Uczenie maszynowe
Uczenie maszynowe polega na przekształcaniu danych w informacje ułatwiające podejmowanie decyzji. W erze big data umożliwia pracę z ogromnymi strumieniami napływających informacji - pozwala na ich zrozumienie i efektywne zastosowanie. Ulubionym narzędziem analityków danych jest bezpłatne wieloplatformowe środowisko programowania statystycznego o nazwie R, oferujące potężne, intuicyjne i łatwe do opanowania narzędzia.
To czwarte, zaktualizowane wydanie znakomitego przewodnika poświęconego zastosowaniu uczenia maszynowego do rozwiązywania rzeczywistych problemów w analizie danych. Dzięki książce dowiesz się wszystkiego, co trzeba wiedzieć o wstępnym przetwarzaniu danych, znajdowaniu kluczowych spostrzeżeń, prognozowaniu i wizualizowaniu odkryć.
W tym wydaniu dodano kilka nowych rozdziałów dotyczących data science i niektórych trudniejszych zagadnień, takich jak zaawansowane przygotowywanie danych, budowanie lepiej uczących się modeli i praca z big data. Znalazło się tu także omówienie etycznych aspektów uczenia maszynowego i wprowadzenie do uczenia głębokiego. Treść została zaktualizowana do wersji 4.0.0 języka R.
Dzięki tej książce nauczysz się:
- kompleksowo realizować proces uczenia maszynowego,
- przeprowadzać predykcję za pomocą drzew decyzyjnych, reguł i maszyn wektorów nośnych,
- szacować wartości finansowe przy użyciu regresji,
- modelować złożone procesy z wykorzystaniem sztucznych sieci neuronowych,
- oceniać modele i poprawiać ich trafność,
- łączyć R z bazami danych SQL i nowymi technologiami big data.
Naucz się przekształcać surowe dane w wiedzę!
Brett Lantz korzysta z innowacyjnych metod analizy danych, aby lepiej zrozumieć ludzkie zachowanie. Jest z wykształcenia socjologiem i instruktorem DataCamp, prowadzi warsztaty uczenia maszynowego na całym świecie. Interesuje się między innymi zastosowaniami data science w sporcie, grach wideo, pojazdach autonomicznych i nauce języków obcych.
- Spark. Rozproszone uczenie maszynowe na dużą skalę. Jak korzystać z MLlib, TensorFlow i PyTorch - [08 sierpień 2024]
- Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko - [28 maj 2024]
- Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II - [24 kwiecień 2024]
- Eksploracja danych za pomocą Excela. Metody uczenia maszynowego krok po kroku - [13 luty 2024]
- Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym - [26 październik 2023]