Brett Lantz Livres

This book provides practical guidance on using R for tackling real-world data challenges through machine learning techniques. It covers essential concepts, tools, and methodologies for data analysis, enabling readers to apply machine learning algorithms effectively. The focus is on hands-on examples and case studies, making complex theories accessible for practitioners. Readers will learn to preprocess data, build predictive models, and evaluate their performance, equipping them with the skills needed to solve data-driven problems in various domains.

Focusing on practical knowledge, this second edition equips readers with the skills to build algorithms and analyze data effectively. It covers the application of machine learning methods for common tasks, introduces essential analytical tools for extracting insights from complex datasets, and guides you in selecting the appropriate algorithm tailored to your specific requirements.

The book provides a comprehensive guide to using R for preparing data specifically for machine learning applications. It is designed for readers with no prior knowledge, walking them through each stage of the process methodically. With a focus on practical software tools and techniques, it equips readers with the skills needed to effectively handle data preparation, making it accessible for beginners eager to delve into the world of machine learning.

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.