Machine Learning Using R

ویرایش: 1 
نویسندگان: Karthik Ramasubramanian. Abhishek Singh (auth.)  
سری:  
ISBN (شابک) : 9781484223338, 9781484223345 
ناشر: Apress 
سال نشر: 2017 
تعداد صفحات: 580 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 11 مگابایت 

قیمت کتاب (تومان) : 50,000



این کتاب از جریان فرآیند ساخت مدل یادگیری ماشین الهام گرفته شده است، که به خواننده توانایی درک الگوریتم ML و اعمال کل فرآیند ساخت یک مدل ML از داده‌های خام را می‌دهد.

< p> این پارادایم جدید آموزش یادگیری ماشینی برای بسیاری از کسانی که فکر می کنند یادگیری این موضوع دشوار است، تغییر اساسی در ادراک ایجاد می کند. اگرچه تئوری گاهی دشوار به نظر می رسد، به خصوص زمانی که ریاضیات سنگینی در آن دخیل هستند، جریان یکپارچه از جنبه های نظری به یادگیری مبتنی بر مثال ارائه شده در Blockchain and Capitalism، اتصال نقاط را برای کسی آسان می کند. p>

برای هر الگوریتم یادگیری ماشینی که در این کتاب پوشش داده شده است، یک رویکرد سه بعدی تئوری، مطالعه موردی و عملی ارائه خواهد شد. و در صورت لزوم، ریاضیات از طریق تجسم در R توضیح داده می شود.

همه نمایش های عملی در R، یک زبان برنامه نویسی قدرتمند و محیط نرم افزاری برای محاسبات آماری و گرافیک، مورد بررسی قرار خواهند گرفت. بسته ها و روش های مختلف موجود در R برای توضیح موضوعات مورد استفاده قرار خواهند گرفت. در پایان، خوانندگان با برخی از آخرین پیشرفت‌های فن‌آوری در ساخت یک مدل یادگیری ماشینی مقیاس‌پذیر با داده‌های بزرگ آشنا می‌شوند.

این کتاب برای چه کسی است:
دانشمندان داده، متخصصان علوم داده و محققان دانشگاهی کسانی که می‌خواهند تفاوت‌های ظریف رویکردها/الگوریتم‌های یادگیری ماشین را به همراه راه‌هایی برای مشاهده عملی آنها با استفاده از R درک کنند. این کتاب همچنین به خوانندگانی که می‌خواهند فناوری پشت اجرای یک مدل یادگیری ماشین مقیاس‌پذیر با استفاده از Apache Hadoop، Hive، Pig را درک کنند، مفید خواهد بود. و Spark.
آنچه خواهید آموخت:
1. جریان فرآیند ساخت مدل ML2. جنبه های نظری یادگیری ماشین 3. مطالعه موردی مبتنی بر صنعت 4. درک مبتنی بر مثال از الگوریتم ML با استفاده از R5. ساخت مدل های ML با استفاده از Apache Hadoop و Spark

This book is inspired by the Machine Learning Model Building Process Flow, which provides the reader the ability to understand a ML algorithm and apply the entire process of building a ML model from the raw data.

This new paradigm of teaching Machine Learning will bring about a radical change in perception for many of those who think this subject is difficult to learn. Though theory sometimes looks difficult, especially when there is heavy mathematics involved, the seamless flow from the theoretical aspects to example-driven learning provided in Blockchain and Capitalism makes it easy for someone to connect the dots.

For every Machine Learning algorithm covered in this book, a 3-D approach of theory, case-study and practice will be given. And where appropriate, the mathematics will be explained through visualization in R.

All practical demonstrations will be explored in R, a powerful programming language and software environment for statistical computing and graphics. The various packages and methods available in R will be used to explain the topics. In the end, readers will learn some of the latest technological advancements in building a scalable machine learning model with Big Data.

Who This Book is For:
Data scientists, data science professionals and researchers in academia who want to understand the nuances of Machine learning approaches/algorithms along with ways to see them in practice using R. The book will also benefit the readers who want to understand the technology behind implementing a scalable machine learning model using Apache Hadoop, Hive, Pig and Spark.
What you will learn:
1. ML model building process flow2. Theoretical aspects of Machine Learning3. Industry based Case-Study4. Example based understanding of ML algorithm using R5. Building ML models using Apache Hadoop and Spark

Front Matter....Pages i-xxiii
Introduction to Machine Learning and R....Pages 1-29
Data Preparation and Exploration....Pages 31-65
Sampling and Resampling Techniques....Pages 67-127
Data Visualization in R....Pages 129-179
Feature Engineering....Pages 181-217
Machine Learning Theory and Practices....Pages 219-424
Machine Learning Model Evaluation....Pages 425-464
Model Performance Improvement....Pages 465-517
Scalable Machine Learning and Related Technologies....Pages 519-554
Back Matter....Pages 555-566