Avis des lecteurs
Résumé:Le livre est loué pour ses explications claires, ses exemples pratiques et son aperçu complet des concepts de l'apprentissage automatique, en particulier dans R. De nombreux critiques ont souligné le style d'enseignement efficace des auteurs et le contenu bien structuré, qui s'adresse à la fois aux débutants et à ceux qui cherchent à consolider leurs connaissances. Cependant, plusieurs commentaires ont critiqué la qualité de la version imprimée, citant des problèmes de durabilité, de reproduction des couleurs et de valeurs de production générales, ce qui donne l'impression que l'ouvrage est trop cher.
Avantages:Des explications et des exemples clairs, des conseils pratiques, une introduction approfondie à l'apprentissage automatique avec R, une bonne organisation du contenu et un style d'enseignement efficace de la part des auteurs.
Inconvénients:Mauvaise qualité d'impression, problèmes de reliure et de lisibilité des graphiques en couleur dans une impression en noir et blanc, et prix élevé pour la qualité fournie.
(basé sur 11 avis de lecteurs)
Titre original :
Hands-On Machine Learning with R
Contenu du livre :
Hands-on Machine Learning with R propose une approche pratique et appliquée de l'apprentissage et du développement de l'intuition dans les méthodes d'apprentissage automatique les plus populaires aujourd'hui. Ce livre sert de guide pratique au processus d'apprentissage automatique et a pour but d'aider le lecteur à apprendre à appliquer la pile d'apprentissage automatique au sein de R, ce qui inclut l'utilisation de divers paquets R tels que glmnet, h2o, ranger, xgboost, keras, et d'autres pour modéliser efficacement et obtenir des informations à partir de leurs données. Le livre privilégie une approche pratique, fournissant une compréhension intuitive des concepts d'apprentissage automatique à travers des exemples concrets et juste un peu de théorie.
Tout au long de ce livre, le lecteur sera exposé à l'ensemble du processus d'apprentissage automatique, y compris l'ingénierie des caractéristiques, le rééchantillonnage, le réglage des hyperparamètres, l'évaluation des modèles et l'interprétation. Le lecteur sera exposé à des algorithmes puissants tels que la régression régularisée, les forêts aléatoires, les machines à gradient, l'apprentissage profond, les modèles généralisés de faible rang, et bien plus encore ! En privilégiant une approche pratique et en utilisant des données réelles, le lecteur acquerra une compréhension intuitive des architectures et des moteurs qui pilotent ces algorithmes et packages, comprendra quand et comment ajuster les différents hyperparamètres, et sera capable d'interpréter les résultats des modèles. A la fin de ce livre, le lecteur devrait avoir une bonne compréhension de la pile d'apprentissage automatique de R et être capable de mettre en œuvre une approche systématique pour produire des résultats de modélisation de haute qualité.
Caractéristiques :
- Offre une introduction pratique et appliquée aux méthodes d'apprentissage automatique les plus populaires.
- Les sujets couverts incluent l'ingénierie des caractéristiques, le rééchantillonnage, l'apprentissage profond et plus encore.
- Utilise une approche pratique et des données réelles.
Autres informations sur le livre :
| ISBN : | 9781138495685 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Relié |
| Année de publication : | 2019 |
| Nombre de pages : | 456 |
Achat:
Actuellement disponible, en stock.
