Tidy Modeling with R: A Framework for Modeling in the Tidyverse

با tidymodels، مجموعه‌ای از بسته‌های R برای مدل‌سازی و یادگیری ماشین، شروع به کار کنید. چه به تازگی شروع به کار کرده باشید و چه سال ها تجربه در زمینه مدل سازی داشته باشید، این مقدمه عملی به تحلیلگران داده، تحلیلگران کسب و کار و دانشمندان داده نشان می دهد که چگونه چارچوب tidymodels یک رویکرد سازگار و انعطاف پذیر برای کار شما ارائه می دهد.

مهندسان RStudio، Max Kuhn و Julia Silge، راه‌هایی برای ایجاد مدل‌ها با تمرکز بر گویش R به نام tidyverse نشان می‌دهند. نرم‌افزاری که اصول مرتب و مرتب را به کار می‌گیرد، هم فلسفه طراحی سطح بالا و هم ساختارهای دستوری و داده‌ای سطح پایین دارد، بنابراین یادگیری یک بخش از اکوسیستم یادگیری قسمت بعدی را آسان‌تر می‌کند. متوجه خواهید شد که چرا چارچوب tidymodels برای استفاده توسط طیف وسیعی از افراد ساخته شده است.

با استفاده از این کتاب، شما:

• مراحل لازم برای ساخت یک مدل را از از شروع تا پایان
• درک نحوه استفاده روان از روش های مختلف مدل سازی و مهندسی ویژگی ها
• گزینه‌های اجتناب از مشکلات رایج مدل‌سازی را بررسی کنید، مانند تطبیق بیش از حد. /span>
• مدل‌ها را برای عملکرد بهینه تنظیم کنید
• از روش‌های آماری خوب استفاده کنید برای مقایسه، ارزیابی و انتخاب از بین مدل‌ها

Get going with tidymodels, a collection of R packages for modeling and machine learning. Whether you're just starting out or have years of experience with modeling, this practical introduction shows data analysts, business analysts, and data scientists how the tidymodels framework offers a consistent, flexible approach for your work.

RStudio engineers Max Kuhn and Julia Silge demonstrate ways to create models by focusing on an R dialect called the tidyverse. Software that adopts tidyverse principles shares both a high-level design philosophy and low-level grammar and data structures, so learning one piece of the ecosystem makes it easier to learn the next. You'll understand why the tidymodels framework has been built to be used by a broad range of people.

With this book, you will:

• Learn the steps necessary to build a model from beginning to end
• Understand how to use different modeling and feature engineering approaches fluently
• Examine the options for avoiding common pitfalls of modeling, such as overfitting
• Learn practical methods to prepare your data for modeling
• Tune models for optimal performance
• Use good statistical practices to compare, evaluate, and choose among models