یادگیری ماشین با آر؛ آموزش تکنیک هایی برای ساخت و بهبود مدل های یادگیری ماشین، از آماده سازی داده تا تنظیم مدل، ارزیابی، و کار با داده های بزرگ

ویژگی‌های کلیدی

نسخه دهمین سالگرد کتاب پرفروش یادگیری ماشین R، که با ۵۰٪ محتوای جدید برای R 4.0.0 و بالاتر به‌روزرسانی شده است.
قدرت R را برای ساخت مدل‌های یادگیری ماشین انعطاف‌پذیر، مؤثر و شفاف مهار کنید.
با این راهنمای واضح و کاربردی توسط متخصص یادگیری ماشین، برت لانتز، به سرعت یاد بگیرید.

شرح کتاب

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

یادگیری ماشین با R، ویرایش چهارم، یک راهنمای عملی، قابل دسترس و خواندنی برای به‌کارگیری یادگیری ماشین در مسائل دنیای واقعی ارائه می‌دهد. چه یک کاربر باتجربه R باشید و چه تازه با این زبان آشنا شده باشید، برت لانتز هر آنچه را که برای پیش‌پردازش داده‌ها، کشف بینش‌های کلیدی، انجام پیش‌بینی‌های جدید و تجسم یافته‌های خود نیاز دارید، به شما آموزش می‌دهد. این نسخه دهمین سالگرد شامل چندین فصل جدید است که پیشرفت یادگیری ماشین در چند سال گذشته را منعکس می‌کند و به شما در ایجاد مهارت‌های علم داده و مقابله با مشکلات چالش‌برانگیزتر، از جمله ساخت مدل‌های موفق یادگیری ماشین و آماده‌سازی پیشرفته داده‌ها، ساخت یادگیرنده‌های بهتر و استفاده از کلان‌داده‌ها، کمک می‌کند.

همچنین این کتاب کلاسیک علم داده R را که به R 4.0.0 به‌روزرسانی شده است، با کتابخانه‌های جدیدتر و بهتر، توصیه‌هایی در مورد مسائل اخلاقی و تعصب در یادگیری ماشین و مقدمه‌ای بر یادگیری عمیق، خواهید یافت. چه به دنبال برداشتن اولین گام‌های خود با R برای یادگیری ماشین باشید و چه بخواهید مطمئن شوید که مهارت‌ها و دانش شما به‌روز است، این کتاب را از دست ندهید، کتابی که به شما کمک می‌کند بینش‌های جدید و قدرتمندی در داده‌های خود پیدا کنید.

آنچه خواهید آموخت

فرآیند کامل یادگیری ماشین از داده‌های خام تا پیاده‌سازی را بیاموزید
دسته‌بندی نتایج مهم با استفاده از روش‌های نزدیکترین همسایه و بیزی
پیش‌بینی رویدادهای آینده با استفاده از درخت‌های تصمیم‌گیری، قوانین و ماشین‌های بردار پشتیبان
پیش‌بینی داده‌های عددی و تخمین مقادیر مالی با استفاده از روش‌های رگرسیون
مدل‌سازی فرآیندهای پیچیده با شبکه‌های عصبی مصنوعی
آماده‌سازی، تبدیل و پاکسازی داده‌ها با استفاده از tidyverse
ارزیابی مدل‌های خود و بهبود عملکرد آنها
اتصال R به پایگاه‌های داده SQL و فناوری‌های نوظهور کلان داده مانند Spark، Hadoop، H2O و TensorFlow

این کتاب برای چه کسانی مناسب است؟

این کتاب برای کمک به دانشمندان داده، آمارگیران، تحلیلگران داده، تحلیلگران مالی، دانشمندان علوم اجتماعی، دانشجویان کسب و کار و یادگیری ماشین و هر متخصص دیگری که به دنبال یک راهنمای واضح و قابل فهم برای یادگیری ماشین با R هستند، طراحی شده است. هیچ تجربه R لازم نیست، اگرچه آشنایی قبلی با آمار و برنامه‌نویسی مفید است.

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
موفقیت در یادگیری ماشین
آماده‌سازی پیشرفته داده‌ها
داده‌های چالش‌برانگیز – خیلی زیاد، خیلی کم، خیلی پیچیده
ایجاد یادگیرندگان بهتر
استفاده از کلان داده