{"product_id":"9781617296574","title":"Maschinelles Lernen mit R, Tidyverse und Mlr","description":"Zusammenfassung\u003cp\u003e \u003c\/p\u003eMaschinelles Lernen (ML) ist eine Sammlung von Programmiertechniken zum Entdecken von Beziehungen in Daten. Mit ML-Algorithmen können Sie Daten für Aufgaben wie das Aussprechen von Empfehlungen oder die Betrugserkennung clustern und klassifizieren und Vorhersagen für Verkaufstrends, Risikoanalysen und andere Prognosen treffen. Einst die Domäne akademischer Datenwissenschaftler, ist maschinelles Lernen zu einem gängigen Geschäftsprozess geworden, und Tools wie die leicht zu erlernende Programmiersprache R legen jedem Programmierer hochwertige Datenanalysen in die Hände. \u003ci\u003eMaschinelles Lernen mit R, dem Tidyverse und MLR\u003c\/i\u003e bringt Ihnen weit verbreitete ML-Techniken bei und zeigt Ihnen, wie Sie diese mithilfe der Programmiersprache R und ihres leistungsstarken Ökosystems an Tools auf Ihre eigenen Datensätze anwenden. Dieses Buch wird Ihnen den Einstieg erleichtern!\u003cp\u003e\u003c\/p\u003e Beim Kauf des gedruckten Buches ist ein kostenloses E-Book in den Formaten PDF, Kindle und ePub von Manning Publications enthalten.\u003cp\u003e\u003c\/p\u003e Über das Buch\u003cp\u003e \u003c\/p\u003e\n\u003ci\u003eMaschinelles Lernen mit R, Tidyverse und MLR\u003c\/i\u003e führt Sie in das maschinelle Lernen mit R Studio und dem fantastischen MLR-Maschinenlernpaket ein. Dieser praktische Leitfaden vereinfacht die Theorie und vermeidet unnötig komplizierte Statistiken oder Mathematik. Alle grundlegenden ML-Techniken werden anhand von Grafiken und leicht verständlichen Beispielen klar erklärt. In jedem spannenden Kapitel setzen Sie einen neuen Algorithmus ein, um ein skurriles Problem der prädiktiven Analyse zu lösen, darunter Überlebenschancen der Titanic, Spam-E-Mail-Filterung und Ermittlungen zu vergiftetem Wein.\u003cp\u003e\u003c\/p\u003e Was ist da drin\u003cp\u003e\u003c\/p\u003e Verwenden der tidyverse-Pakete zum Verarbeiten und Plotten Ihrer Daten\u003cbr\u003e Techniken für überwachtes und unüberwachtes Lernen\u003cbr\u003e Klassifizierungs-, Regressions-, Dimensionsreduktions- und Clustering-Algorithmen\u003cbr\u003e Statistik-Fibel zum Schließen Ihrer Wissenslücken\u003cp\u003e\u003c\/p\u003e Über den Leser\u003cp\u003e\u003c\/p\u003e Für Einsteiger in das maschinelle Lernen mit Grundkenntnissen in R.\u003cp\u003e\u003c\/p\u003e Über den Autor\u003cp\u003e \u003c\/p\u003e\n\u003cb\u003eHefin I. Rhys\u003c\/b\u003e ist leitender Laborforscher am Francis Crick Institute. Er betreibt einen eigenen YouTube-Kanal mit Screencast-Tutorials für R und RStudio.\u003cbr\u003e\u003cp\u003e\u003c\/p\u003e Inhaltsverzeichnis:\u003cp\u003e\u003c\/p\u003e TEIL 1 - EINFÜHRUNG\u003cp\u003e\u003c\/p\u003e 1.Einführung in maschinelles Lernen\u003cp\u003e\u003c\/p\u003e 2. Daten aufräumen, bearbeiten und darstellen mit dem tidyverse\u003cp\u003e\u003c\/p\u003e TEIL 2 - KLASSIFIZIERUNG\u003cp\u003e\u003c\/p\u003e 3. Klassifizierung basierend auf Ähnlichkeiten mit k-nächsten Nachbarn\u003cp\u003e\u003c\/p\u003e 4. Klassifizierung basierend auf Quoten mit logistischer Regression\u003cp\u003e\u003c\/p\u003e 5. Klassifizieren durch Maximierung der Trennung mit Diskriminanzanalyse\u003cp\u003e\u003c\/p\u003e 6. Klassifizieren mit Naive Bayes und Support Vector Machines\u003cp\u003e\u003c\/p\u003e 7. Klassifizieren mit Entscheidungsbäumen\u003cp\u003e\u003c\/p\u003e 8. Verbesserung von Entscheidungsbäumen mit Random Forests und Boosting\u003cp\u003e\u003c\/p\u003e TEIL 3 - REGRESSION\u003cp\u003e\u003c\/p\u003e 9. Lineare Regression\u003cp\u003e\u003c\/p\u003e 10. Nichtlineare Regression mit verallgemeinerten additiven Modellen\u003cp\u003e\u003c\/p\u003e 11. Vermeidung von Überanpassung mit Ridge-Regression, LASSO und Elastic Net\u003cp\u003e\u003c\/p\u003e 12. Regression mit kNN, Random Forest und XGBoost\u003cp\u003e\u003c\/p\u003e TEIL 4 - DIMENSIONSREDUZIERUNG\u003cp\u003e\u003c\/p\u003e 13. Varianzmaximierung mit Hauptkomponentenanalyse\u003cp\u003e \u003c\/p\u003e14. Maximierung der Ähnlichkeit mit t-SNE und UMAP\u003cp\u003e\u003c\/p\u003e 15. Selbstorganisierende Karten und lokal lineare Einbettung\u003cp\u003e\u003c\/p\u003e TEIL 5 - CLUSTERING\u003cp\u003e\u003c\/p\u003e 16. Clustering durch Finden von Zentren mit k-means\u003cp\u003e\u003c\/p\u003e 17. Hierarchisches Clustering\u003cp\u003e\u003c\/p\u003e 18. Clustering basierend auf Dichte: DBSCAN und OPTICS\u003cp\u003e\u003c\/p\u003e 19. Clustering basierend auf Verteilungen mit Mischungsmodellierung\u003cp\u003e\u003c\/p\u003e 20. Abschließende Anmerkungen und weiterführende Literatur","brand":"Manning","offers":[{"title":"Default Title","offer_id":42973609787647,"sku":"9781617296574","price":49.99,"currency_code":"USD","in_stock":false}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0452\/0886\/2873\/files\/Jacket_ab09bf14-503a-45b6-9965-387707f8beed.jpg?v=1771352090","url":"https:\/\/massivebookshop.com\/de\/products\/9781617296574","provider":"MASSIVE BOOKSHOP","version":"1.0","type":"link"}