Язык R предлагает мощный набор методов машинного обучения, позволяющих быстро проводить нетривиальный анализ ваших данных.Книга является руководством, которое поможет применять методы машинного обучения в решении ежедневных задач. Бретт Ланц научит всему необходимому для анализа данных, формирования прогнозов и визуализации данных.Здесь вы найдете информацию о новых улучшенных библиотеках, советы об этических аспектах машинного обучения и проблемах предвзятости, а также познакомитесь с глубоким обучением.В этой книге• Основы машинного обучения и особенности обучения компьютера на примерах.• Подготовка данных к использованию в машинном обучении средствами языка R.• Классификация значимости результатов.• Предсказание событий с помощью деревьев решений, правил и опорных векторов.• Прогнозирование числовых данных и оценка финансовых данных с помощью регрессионных методов.• Моделирование сложных процессов с использованием нейронных сетей – фундамент глубокого обучения.• Оценка моделей и улучшение их производительности.• Новейшие технологии для обработки больших данных, в частности R 3.6, Spark, H2O и TensorFlow.
YAzyk R predlagaet moshchnyy nabor metodov mashinnogo obucheniya, pozvolyayushchikh bystro provodit netrivialnyy analiz vashikh dannykh.Kniga yavlyaetsya rukovodstvom, kotoroe pomozhet primenyat metody mashinnogo obucheniya v reshenii ezhednevnykh zadach. Brett Lants nauchit vsemu neobkhodimomu dlya analiza dannykh, formirovaniya prognozov i vizualizatsii dannykh.Zdes vy naydete informatsiyu o novykh uluchshennykh bibliotekakh, sovety ob eticheskikh aspektakh mashinnogo obucheniya i problemakh predvzyatosti, a takzhe poznakomites s glubokim obucheniem.V etoy knige Osnovy mashinnogo obucheniya i osobennosti obucheniya kompyutera na primerakh. Podgotovka dannykh k ispolzovaniyu v mashinnom obuchenii sredstvami yazyka R. Klassifikatsiya znachimosti rezultatov. Predskazanie sobytiy s pomoshchyu derevev resheniy, pravil i opornykh vektorov. Prognozirovanie chislovykh dannykh i otsenka finansovykh dannykh s pomoshchyu regressionnykh metodov. Modelirovanie slozhnykh protsessov s ispolzovaniem neyronnykh setey fundament glubokogo obucheniya. Otsenka modeley i uluchshenie ikh proizvoditelnosti. Noveyshie tekhnologii dlya obrabotki bolshikh dannykh, v chastnosti R 3.6, Spark, H2O i TensorFlow.