یادگیری ماشین با آر؛ تکنیک های تخصصی برای مدل سازی پیش بینی

ویژگی‌های کلیدی

ویرایش سوم کتاب پرفروش و تحسین‌شده‌ی یادگیری ماشین R، به‌روزرسانی‌شده و بهبودیافته برای R 3.6 و بالاتر
قدرت R را برای ساخت مدل‌های یادگیری ماشین انعطاف‌پذیر، مؤثر و شفاف مهار کنید
با یک راهنمای واضح و کاربردی از برت لانتز، معلم و متخصص باتجربه‌ی یادگیری ماشین، به سرعت یاد بگیرید

شرح کتاب

یادگیری ماشین، در هسته‌ی خود، به تبدیل داده‌ها به دانش عملی می‌پردازد. R مجموعه‌ای قدرتمند از روش‌های یادگیری ماشین را برای کسب بینش سریع و آسان از داده‌های شما ارائه می‌دهد.

یادگیری ماشین با R، ویرایش سوم، یک راهنمای کاربردی و خواندنی برای به‌کارگیری یادگیری ماشین در مسائل دنیای واقعی ارائه می‌دهد. چه یک کاربر باتجربه‌ی R باشید و چه تازه‌کار در این زبان، برت لانتز هر آنچه را که برای کشف بینش‌های کلیدی، انجام پیش‌بینی‌های جدید و تجسم یافته‌های خود نیاز دارید، به شما آموزش می‌دهد.

این ویرایش سوم جدید، کتاب کلاسیک علوم داده R را با کتابخانه‌های جدیدتر و بهتر، توصیه‌هایی در مورد مسائل اخلاقی و تعصب در یادگیری ماشین و مقدمه‌ای بر یادگیری عمیق، به R 3.6 به‌روزرسانی می‌کند. بینش‌های جدید و قدرتمندی را در داده‌های خود بیابید؛ یادگیری ماشین را با R کشف کنید.

آنچه خواهید آموخت

ریشه‌های یادگیری ماشین و نحوه یادگیری دقیق یک کامپیوتر را با مثال کشف کنید
داده‌های خود را برای کار یادگیری ماشین با زبان برنامه‌نویسی R آماده کنید
نتایج مهم را با استفاده از روش‌های نزدیکترین همسایه و بیزی طبقه‌بندی کنید
رویدادهای آینده را با استفاده از درخت‌های تصمیم‌گیری، قوانین و ماشین‌های بردار پشتیبان پیش‌بینی کنید
پیش‌بینی داده‌های عددی و تخمین مقادیر مالی با استفاده از روش‌های رگرسیون
مدل‌سازی فرآیندهای پیچیده با شبکه‌های عصبی مصنوعی – اساس یادگیری عمیق
از تعصب در مدل‌های یادگیری ماشین اجتناب کنید
مدل‌های خود را ارزیابی کنید و عملکرد آنها را بهبود بخشید
R را به پایگاه‌های داده SQL و فناوری‌های نوظهور کلان داده مانند Spark، H2O و TensorFlow متصل کنید

این کتاب برای چه کسانی مناسب است؟

دانشمندان داده، دانشجویان و سایر متخصصانی که به دنبال یک راهنمای واضح و قابل فهم برای یادگیری ماشین با R هستند.

فهرست مطالب

معرفی یادگیری ماشین
مدیریت و درک داده‌ها
یادگیری تنبل – طبقه‌بندی با استفاده از نزدیکترین همسایه‌ها
یادگیری احتمالی – طبقه‌بندی با استفاده از بیز ساده
تقسیم و غلبه – طبقه‌بندی با استفاده از درخت‌های تصمیم‌گیری و قوانین
پیش‌بینی داده‌های عددی – روش‌های رگرسیون
روش‌های جعبه سیاه – شبکه‌های عصبی و ماشین‌های بردار پشتیبان
یافتن الگوها – تحلیل سبد بازار با استفاده از قوانین انجمنی
یافتن گروه‌هایی از داده‌ها – خوشه‌بندی با k-means
ارزیابی عملکرد مدل
بهبود عملکرد مدل
مباحث تخصصی یادگیری ماشین