Machine learning avec R

• Verfasst von: Burger, Scott [VerfasserIn]
• Titel: Machine learning avec R
• Institutionen: Safari, an O'Reilly Media Company. [MitwirkendeR]
• Verf.angabe: Burger, Scott
• Ausgabe: 1st edition
• Verlagsort: [Erscheinungsort nicht ermittelbar]
• Verlag: Editions First
• Jahr: 2018
• Umfang: 1 online resource (260 pages)
• Fussnoten: Online resource; Title from title page (viewed October 28, 2018)
• ComputerInfo: Mode of access: World Wide Web.
• Datenträger: Online-Ressource
• Sprache: eng fre
• Sach-SW: Electronic books ; local
• K10plus-PPN: 1726628434
• K10plus-PPN:
  Universitätsbibliothek
• Lokale URL UB: Zum Volltext
• Lokale URL UB: Bibliothek der Medizinischen Fakultät Mannheim der Universität Heidelberg
• Bibliothek/Idn: UW / m3736243022
• Lokale URL Inst.: Zum Volltext

Abstract

L'apprentissage automatique, un champ d'étude essentiel aux développements de l'Intelligence artificielle L'apprentissage automatique est un sujet intimidant jusqu'à ce que vous en connaissiez les principes fondamentaux. Si vous comprenez les principes essentiels du codage, ce livre d'introduction vous aidera à acquérir une base solide dans le domaine de l'apprentissage automatique. En utilisant le langage de programmation R, vous commencerez par apprendre à modéliser avec la régression, puis vous passerez à des sujets plus avancés tels que les réseaux de neurones et les méthodes arborescentes. Finalement, vous plongerez dans le monde de l'apprentissage automatique. en utilisant le package caret associé au langage de programmation R. Une fois que vous aurez développé une réelle familiarité avec des sujets tels que la différence entre les modèles de régression et de classification, vous serez en mesure de résoudre de multiples problèmes d'apprentissage automatique. L'auteur, Scott V. Burger, fournit également plusieurs exemples pour vous aider à bâtir une connaissance pratique de l'apprentissage automatique. Explorez le domaine de l'apprentissage automatique, de ses modèles, de ses algorithmes et de l'entraînement des données Comprenez les algorithmes d'apprentissage automatique supervisés et non supervisés Examinez les notions statistiques utiles pour la conception de données à utiliser dans les modèles Plongez dans les modèles de régression linéaire utilisés dans les affaires et la science Utilisez des réseaux de neurones monocouches et multicouches pour calculer les sorties Regardez comment fonctionnent les modèles arborescents, y compris les arbres de décision courants Obtenez une vue complète de l'écosystème de l'apprentissage automatique en R Explorez la puissance des outils disponibles dans le package caret de R