Avis des lecteurs
Résumé:Le livre a reçu des critiques mitigées, certains le trouvant utile pour les débutants tandis que d'autres critiquent la légèreté de son contenu. Il constitue une solide introduction à l'apprentissage automatique et comprend des exemples pratiques, en particulier pour R et Tidyverse.
Avantages:⬤ Introduction bien structurée et complète à l'apprentissage automatique
⬤ utile pour les débutants
⬤ comprend des explications accompagnées d'étapes
⬤ exemples pratiques qui fonctionnent
⬤ bon chapitre sur Tidyverse.
⬤ Le contenu peut être trop léger pour certains lecteurs
⬤ déception notée par certains fans d'autres livres de Manning Publications
⬤ les alternatives recommandées suggèrent qu'il peut ne pas répondre à tous les besoins.
(basé sur 5 avis de lecteurs)
Titre original :
Machine Learning with R, the Tidyverse, and Mlr
Contenu du livre :
Résumé.
L'apprentissage automatique est un ensemble de techniques de programmation permettant de découvrir des relations dans les données. Les algorithmes d'apprentissage automatique permettent de regrouper et de classer les données pour des tâches telles que la formulation de recommandations ou la détection de fraudes, et de faire des prédictions pour les tendances des ventes, l'analyse des risques et d'autres prévisions. Autrefois réservé aux scientifiques universitaires, l'apprentissage automatique est devenu un processus commercial courant, et des outils tels que le langage de programmation R, facile à apprendre, mettent l'analyse de données de haute qualité à la portée de n'importe quel programmeur. Machine Learning with R, the tidyverse, and mlr vous enseigne des techniques d'apprentissage automatique largement utilisées et comment les appliquer à vos propres ensembles de données à l'aide du langage de programmation R et de son puissant écosystème d'outils. Ce livre vous permettra de démarrer !
L'achat du livre imprimé inclut un livre électronique gratuit aux formats PDF, Kindle et ePub de Manning Publications.
À propos du livre.
Machine Learning with R, the tidyverse, and mlr vous permet de vous initier à l'apprentissage automatique à l'aide de R Studio et du formidable package d'apprentissage automatique mlr. Ce guide pratique simplifie la théorie et évite les statistiques ou les mathématiques inutilement compliquées. Toutes les techniques de base de l'apprentissage automatique sont clairement expliquées à l'aide de graphiques et d'exemples faciles à comprendre. Dans chaque chapitre passionnant, vous mettrez un nouvel algorithme en action pour résoudre un problème d'analyse prédictive original, notamment les chances de survie au Titanic, le filtrage des courriers électroniques indésirables et l'enquête sur le vin empoisonné.
Ce qu'il y a à l'intérieur.
Utilisation des packages tidyverse pour traiter et tracer vos données.
Techniques d'apprentissage supervisé et non supervisé.
Algorithmes de classification, de régression, de réduction de dimension et de regroupement.
Abécédaire des statistiques pour combler les lacunes de vos connaissances.
À propos du lecteur.
Pour les débutants en apprentissage automatique ayant des compétences de base en R.
A propos de l'auteur.
Hefin I. Rhys est chercheur principal à l'Institut Francis Crick. Il gère sa propre chaîne YouTube de didacticiels pour R et RStudio.
Table des matières :
PARTIE 1 - INTRODUCTION.
1. Introduction à l'apprentissage automatique.
2. Ranger, manipuler et tracer des données avec le tidyverse.
PARTIE 2 - CLASSIFICATION.
3. Classification basée sur les similitudes avec les k-voisins les plus proches.
4. Classification basée sur les probabilités avec la régression logistique.
5. Classification par maximisation de la séparation avec l'analyse discriminante.
6. Classification à l'aide de Bayes naïfs et de machines à vecteurs de support.
7. Classification à l'aide d'arbres de décision.
8. Améliorer les arbres de décision avec les forêts aléatoires et le boosting.
PARTIE 3 - RÉGRESSION.
9. Régression linéaire.
10. Régression non linéaire avec des modèles additifs généralisés.
11. Prévention du surajustement avec la régression ridge, LASSO et le filet élastique.
12. Régression avec kNN, forêt aléatoire et XGBoost.
PARTIE 4 - RÉDUCTION DE LA DIMENSION.
13. Maximiser la variance avec l'analyse en composantes principales.
14. Maximisation de la similarité avec t-SNE et UMAP.
15. Cartes auto-organisatrices et encastrement localement linéaire.
PARTIE 5 - CLUSTERING.
16. Regroupement par recherche de centres avec k-means.
17. Regroupement hiérarchique.
18. Regroupement basé sur la densité : DBSCAN et OPTICS.
19. Regroupement basé sur des distributions avec modélisation de mélanges.
20. Notes finales et lectures complémentaires.
Autres informations sur le livre :
| ISBN : | 9781617296574 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2020 |
| Nombre de pages : | 536 |
Achat:
Actuellement disponible, en stock.
