Hodnotenie:
Kniha poskytuje základné poznatky o umelej inteligencii a neurónových sieťach s využitím jazyka R, ale trpí gramatickými problémami a nedostatočnou hĺbkou v niektorých oblastiach. Hoci sa oceňuje, že je dobre štruktúrovaná a prehľadná pre začiatočníkov, mnohí recenzenti poukazujú na jej nedostatky v kvalite písania a pokrytí konkrétneho obsahu.
Výhody:⬤ Dobre napísaná a postupná prezentácia
⬤ dobrá pre začiatočníkov
⬤ stručné vysvetlenia
⬤ užitočné príklady z R
⬤ spája teóriu s príkladmi z reálneho života
⬤ vrelo odporúčame pre nadšencov programovania v R a dátovej vedy.
⬤ Obsahuje gramatické problémy a zvláštnu angličtinu
⬤ chýba hĺbka tém
⬤ niektoré tvrdenia sú nevedecké
⬤ nekvalitné grafy
⬤ malá veľkosť písma pri vzorcoch
⬤ celkovo by mohol byť vzhľadom na cenu lepšie napísaný.
(na základe 10 čitateľských recenzií)
Neural Networks with R: Build smart systems by implementing popular deep learning models in R
Vybudujte si pevné základy pre vstup do sveta strojového učenia a dátovej vedy s pomocou tohto komplexného sprievodcu
Kľúčové vlastnosti
⬤ Začnite v oblasti strojového učenia s pomocou tejto solídnej, koncepčne bohatej a zároveň veľmi praktickej príručky.
⬤ Vaše komplexné riešenie pre všetko, čo je dôležité pri zvládnutí toho, čo a prečo je dôležité pri algoritmoch strojového učenia a ich implementácii.
⬤ Získajte pevné základy pre svoj vstup do oblasti strojového učenia posilnením svojich koreňov (algoritmov) pomocou tejto komplexnej príručky.
Popis knihy
Keďže množstvo dát neustále rastie takmer nepochopiteľnou rýchlosťou, schopnosť porozumieť dátam a spracovať ich sa stáva kľúčovým rozlišovacím kritériom pre konkurencieschopné organizácie. Aplikácie strojového učenia sú všade, od samojazdiacich áut, detekcie spamu, vyhľadávania dokumentov a obchodných stratégií až po rozpoznávanie reči. Vďaka tomu sa strojové učenie dobre hodí pre súčasnú éru veľkých dát a dátovej vedy. Hlavnou výzvou je, ako transformovať údaje na využiteľné znalosti.
V tejto knihe sa dozviete všetky dôležité algoritmy strojového učenia, ktoré sa bežne používajú v oblasti dátovej vedy. Tieto algoritmy možno použiť na učenie pod dohľadom aj bez dohľadu, posilňovanie učenia a učenie s čiastočným dohľadom. Niekoľko známych algoritmov, ktoré sú v tejto knihe zahrnuté, sú lineárna regresia, logistická regresia, SVM, Naive Bayes, K-Means, Random Forest, TensorFlow a Feature engineering. V tejto knihe sa tiež dozviete, ako tieto algoritmy fungujú, a ich praktickú implementáciu na riešenie vašich problémov. Táto kniha vás tiež zoznámi so systémami Natural Processing Language a Recommendation, ktoré vám pomôžu spustiť viacero algoritmov súčasne.
Po dokončení knihy budete ovládať výber algoritmov strojového učenia na zhlukovanie, klasifikáciu alebo regresiu na základe pre váš problém.
Čo sa naučíte
⬤ Oboznámite sa s dôležitými prvkami strojového učenia.
⬤ Pochopiť proces výberu príznakov a tvorby príznakov.
⬤ Ohodnotiť kompromisy v oblasti výkonu a chýb pre lineárnu regresiu.
⬤ Vybudovať dátový model a pochopiť, ako funguje pomocou rôznych typov algoritmov.
⬤ Učiť sa ladiť parametre strojov s podpornými vektormi.
⬤ Zavedenie zhlukov do súboru údajov.
⬤ Preskúmajte koncept prirodzeného spracovania jazyka a odporúčacích systémov.
⬤ Vytvorte architektúru ML od základov.
Pre koho je táto kniha určená
Táto kniha je určená pre IT profesionálov, ktorí chcú vstúpiť do oblasti dátovej vedy a sú úplnými nováčikmi v oblasti strojového učenia. Neoceniteľná tu bude znalosť jazykov, ako sú R a Python.