دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Yu-Wei. David Chiu
سری:
ISBN (شابک) : 9781783982042
ناشر: Packt Publishing
سال نشر: 2015
تعداد صفحات: 442
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 30 مگابایت
در صورت تبدیل فایل کتاب Machine Learning with R Cookbook: Explore over 110 recipes to analyze data and build predictive models with the simple and easy-to-use R code به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب Learning Machine با R Cookbook: بیش از 110 دستور العمل را کشف کنید تا داده ها را تجزیه و تحلیل کرده و مدل های پیش بینی را با کد R ساده و کاربردی بسازید نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
زبان R یک زبان برنامه نویسی تابعی منبع باز قدرتمند است. در هسته خود، R یک زبان برنامه نویسی آماری است که ابزارهای چشمگیری برای تجزیه و تحلیل داده ها و ایجاد گرافیک های سطح بالا ارائه می دهد. این کتاب با راهاندازی یک محیط برنامهنویسی کاربرپسند و اجرای ETL دادهها در R، مبانی R را پوشش میدهد. نمونههای اکتشاف داده ارائه شدهاند که نشان میدهد تجسم دادهها و یادگیری ماشینی در کشف روابط پنهان چقدر قدرتمند است. سپس به موضوعات مهم یادگیری ماشینی، از جمله طبقه بندی داده ها، رگرسیون، خوشه بندی، استخراج قواعد انجمنی و کاهش ابعاد خواهید پرداخت.
The R language is a powerful open source functional programming language. At its core, R is a statistical programming language that provides impressive tools to analyze data and create high-level graphics. This book covers the basics of R by setting up a user-friendly programming environment and performing data ETL in R. Data exploration examples are provided that demonstrate how powerful data visualization and machine learning is in discovering hidden relationships. You will then dive into important machine learning topics, including data classification, regression, clustering, association rule mining, and dimension reduction.