本书深入浅出地介绍了如何使用R语言进行机器学习，涵盖了数据管理、分类、预测、聚类等核心主题，适合数据分析初学者及专业人士。通过实践案例，读者将掌握各种算法的应用，如决策树、神经网络和市场篮子分析。
Machine Learning with R 2nd.Edition
本书介绍
机器学习的核心是将数据转化为可操作的知识，这使得机器学习非常适合当今的大数据时代。鉴于r€日益突出“一个跨平台、零成本的统计编程环境-€”，从没有比现在更好的时候开始将机器学习应用于您的数据。无论您是数据分析新手还是老手，具有r的机器学习提供了一套强大的工具。方法可以快速、轻松地从数据中获取洞察力。
想要将你的数据转化为可操作的知识，预测产生真正影响的结果，并不断地发展洞察力？r让你能够获得掌握卓越机器学习技术所需的尖端力量。
更新并升级到最新的图书馆和最新的思维，第二版的机器学习与R一起为您提供了对专业数据科学的这一基本技能的严格介绍。 在不偏离技术理论的情况下，它被写入提供专注和实践的知识，以帮助您构建算法并处理您的数据，而以前的经验很少。
用这本书你-€。™我会发现你需要的所有分析工具，从复杂的数据中获得洞察力，并学习如何为你的特定需求选择正确的算法。™我将学习运用机器学习方法来处理常见的任务，包括分类、预测、预测、市场分析和聚类。改变你对数据的看法；用r发现机器学习。
你会学到什么
利用R 语言的能力，在实际的数据科学应用中建立通用的机器学习算法。掌握r技术，清理和准备数据进行分析，并可视化结果。发现不同类型的机器学习模型，学习哪种方法最适合您的数据需求和解决您的分析问题。用贝叶斯和最近的方法对数据进行分类。使用贝叶斯和近邻方法预测值。r建立决策树、规则和支持向量机。用线性回归预测数值，用神经网络对数据建模。评估和改进机器学习模型的性能。学习专门的机器学习技术，用于文本挖掘、社交网络数据、大数据等等。
目录
Chapter 1: Introducing Machine Learning
Chapter 2: Managing and Understanding Data
Chapter 3: Lazy Learning – Classification Using Nearest Neighbors
Chapter 4: Probabilistic Learning – Classification Using Naive Bayes
Chapter 5: Divide and Conquer – Classification Using Decision Trees and Rules
Chapter 6: Forecasting Numeric Data – Regression Methods
Chapter 7: Black Box Methods – Neural Networks and Support Vector Machines
Chapter 8: Finding Patterns – Market Basket Analysis Using Association Rules
Chapter 9: Finding Groups of Data – Clustering with k-means
Chapter 10: Evaluating Model Performance
Chapter 11: Improving Model Performance
Chapter 12: Specialized Machine Learning Topics
扫一扫
395
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
