R per Data Science: implementazione di modelli machine learning
Uitgelicht
|
61,95 |
Naar shop
|
|
61,95 |
Naar shop
|
|
65,99 |
Naar shop
|
Beschrijving
Bol
Liberate la potenza dell'apprendimento automatico in R con R for Data Science: Implementing Machine Learning Models. Questa guida completa fornisce a data scientist, analisti e appassionati di R le competenze pratiche necessarie per costruire, valutare e implementare soluzioni avanzate di machine learning in tutti i settori. Coprendo sia gli argomenti fondamentali che quelli avanzati, questo libro mescola teoria, esempi pratici e flussi di lavoro reali per consentire ai lettori di sfruttare appieno le funzionalità di R.Imparate a:- Preelaborare, pulire e trasformare i dati per un'analisi robusta.- Costruire modelli predittivi con tecniche di regressione, classificazione e serie temporali.- Applicare l'elaborazione del linguaggio naturale e l'analisi del testo per estrarre informazioni dai dati non strutturati.- Esplorare clustering, riduzione della dimensionalità e rilevamento delle anomalie nell'apprendimento non supervisionato.- Ottimizzare i modelli attraverso la regolazione degli iperparametri, i metodi di ensemble e le strategie di stacking.- Sviluppare flussi di lavoro riproducibili, pipeline e soluzioni pronte per l'implementazione in R.
Liberate la potenza dell'apprendimento automatico in R con R for Data Science: Implementing Machine Learning Models. Questa guida completa fornisce a data scientist, analisti e appassionati di R le competenze pratiche necessarie per costruire, valutare e implementare soluzioni avanzate di machine learning in tutti i settori. Coprendo sia gli argomenti fondamentali che quelli avanzati, questo libro mescola teoria, esempi pratici e flussi di lavoro reali per consentire ai lettori di sfruttare appieno le funzionalità di R.Imparate a:- Preelaborare, pulire e trasformare i dati per un'analisi robusta.- Costruire modelli predittivi con tecniche di regressione, classificazione e serie temporali.- Applicare l'elaborazione del linguaggio naturale e l'analisi del testo per estrarre informazioni dai dati non strutturati.- Esplorare clustering, riduzione della dimensionalità e rilevamento delle anomalie nell'apprendimento non supervisionato.- Ottimizzare i modelli attraverso la regolazione degli iperparametri, i metodi di ensemble e le strategie di stacking.- Sviluppare flussi di lavoro riproducibili, pipeline e soluzioni pronte per l'implementazione in R.
AmazonPagina's: 96, Paperback, Edizioni Sapienza
Prijzen voor het laatst bijgewerkt op: