【Manning2020新书】R/mlr机器学习,513页pdf,Machine Learning with R

2020 年 3 月 7 日 专知
【Manning2020新书】R/mlr机器学习,513页pdf,Machine Learning with R

地址:

https://www.manning.com/books/machine-learning-with-r-tidyverse-and-mlr


机器学习(ML)是一组用于发现数据关系的编程技术。使用ML算法,您可以对数据进行聚类和分类,以执行建议或欺诈检测之类的任务,并对销售趋势、风险分析和其他预测进行预测。机器学习曾经是学术数据科学家的领域,现在已经成为主流的业务流程,而像易于学习的R编程语言这样的工具将高质量的数据分析交到任何程序员的手中。《使用R、tidyverse和mlr的机器学习》将教会您广泛使用的ML技术,以及如何使用R编程语言及其强大的工具生态系统将它们应用于您自己的数据集。这本书会让你开始!


对这项技术


机器学习技术准确而有效地识别数据中的模式和关系,并使用这些模型对新数据进行预测。ML技术甚至可以在相对较小的数据集上工作,使这些技能成为几乎所有数据分析任务的强大盟友。R语言的设计考虑了数学和统计的应用。小型数据集是它的最佳选择,它的现代数据科学工具(包括流行的tidyverse包)使R成为ML的自然选择。


关于这本书


《使用R、tidyverse和mlr的机器学习》将教会您如何使用强大的R编程语言从数据中获得有价值的见解。作者兼R专家Hefin Ioan Rhys以其引人入胜的、非正式的风格为ML基础知识打下了坚实的基础,并向您介绍了tidyverse,这是一套专门为实用数据科学设计的强大的R工具。有了这些基础知识,您将更深入地研究常用的机器学习技术,包括分类、预测、约简和聚类算法,并将每种技术应用于实际数据,从而对有趣的问题进行预测。


使用tidyverse包,您将转换、清理和绘制您的数据,并在工作中使用数据科学最佳实践。为了简化您的学习过程,您还将使用R的mlr包,这是一个非常灵活的接口,用于各种核心算法,允许您以最少的编码执行复杂的ML任务。您将探索一些基本概念,如过拟合、欠拟合、验证模型性能,以及如何为您的任务选择最佳模型。富有启发性的图片提供了清晰的解释,巩固了你的新知识。


无论您是在处理业务问题、处理研究数据,还是仅仅是一个有数据头脑的开发人员,您都可以通过本实用教程立即构建自己的ML管道!


里面有什么


  • 常用ML技术

  • 使用tidyverse包来组织和绘制数据

  • 验证模型的性能

  • 为您的任务选择最佳的ML模型

  • 各种实际的编码练习

  • ML的最佳实践



专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“MLR” 就可以获取R/mlr机器学习,513页pdf,Machine Learning with R》论文专知下载链接


专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源
登录查看更多
21

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

有兴趣的数据科学专业人士可以通过本书学习Scikit-Learn图书馆以及机器学习的基本知识。本书结合了Anaconda Python发行版和流行的Scikit-Learn库,演示了广泛的有监督和无监督机器学习算法。通过用Python编写的清晰示例,您可以在家里自己的机器上试用和试验机器学习的原理。

所有的应用数学和编程技能需要掌握的内容,在这本书中涵盖。不需要深入的面向对象编程知识,因为工作和完整的例子被提供和解释。必要时,编码示例是深入和复杂的。它们也简洁、准确、完整,补充了介绍的机器学习概念。使用示例有助于建立必要的技能,以理解和应用复杂的机器学习算法。

对于那些在机器学习方面追求职业生涯的人来说,Scikit-Learn机器学习应用手册是一个很好的起点。学习这本书的学生将学习基本知识,这是胜任工作的先决条件。读者将接触到专门为数据科学专业人员设计的蟒蛇分布,并将在流行的Scikit-Learn库中构建技能,该库是Python世界中许多机器学习应用程序的基础。

你将学习

  • 使用Scikit-Learn中常见的简单和复杂数据集
  • 将数据操作为向量和矩阵,以进行算法处理
  • 熟悉数据科学中使用的蟒蛇分布
  • 应用带有分类器、回归器和降维的机器学习
  • 优化算法并为每个数据集找到最佳算法
  • 从CSV、JSON、Numpy和panda格式加载数据并保存为这些格式

这本书是给谁的

  • 有抱负的数据科学家渴望通过掌握底层的基础知识进入机器学习领域,而这些基础知识有时在急于提高生产力的过程中被忽略了。一些面向对象编程的知识和非常基本的线性代数应用将使学习更容易,尽管任何人都可以从这本书获益。
成为VIP会员查看完整内容
0
114

【导读】自2015年11月TensorFlow第一个开源版本发布以来,它便迅速跻身于最激动人心的机器学习库的行列,并在科研、产品和教育等领域正在得到日益广泛的应用。这个库也在不断地得到改进、充实和优化。今天给大家推荐一本偏实战的教程《Hands-On Machine Learning with Scikit-Learn and TensorFlow, 2nd Edition》第二版,使用最新TensorFlow 2的官方高级API,帮助你直观地理解构建智能系统的概念和工具。从业者将学习一系列可以在工作中快速使用的技术。第1部分使用Scikit-Learn来介绍基本的机器学习任务,例如简单的线性回归。第2部分已经过重大更新,采用Keras和TensorFlow 2.0引导读者通过使用深度神经网络的更先进的机器学习方法。通过每章的练习来帮助你应用所学知识,你只需要编程经验即可开始使用。

Hands-On Machine Learning with Scikit-Learn and TensorFlow, 2nd Edition

▌本书简介

通过近年来一系列的突破,深度学习推动了整个机器学习领域的发展。现在,即使对这种技术几乎一无所知的程序员也可以使用简单、高效的工具来实现能够从数据中学习的程序。这本畅销书的最新版本使用了具体的例子、最少理论和可复现的Python框架,帮助您直观地理解用于构建人工智能系统的概念和工具。

您将学习一系列可以快速使用的技术。每一章都有练习来帮助你应用所学,你所需要的只是编程经验。所有代码都已更新为TensorFlow 2和最新版本的Scikit-Learn和其他库。

  • 探索Keras API, TensorFlow 2的官方高级API
  • 使用TensorFlow的数据API、分发策略API和TensorFlow扩展平台(TFX)对TensorFlow模型进行产品化
  • 部署在Google Cloud ML引擎或移动设备上使用TFLite
  • 学习新的和扩展的主题,包括聚类、异常检测、对象检测、语义分割、注意力机制、语言模型、GANs等

▌相关代码

https://github.com/ageron/handson-ml2

参考链接: https://www.oreilly.com/library/view/hands-on-machine-learning/9781492032632/

成为VIP会员查看完整内容
0
144

Manning最畅销的Java 8书籍已经被修订为Java 9和Java 10!在Modern Java In Action中,读者可以使用最新的特性和技术,在已有的Java语言技能的基础上进行构建。

Java 9的发布建立在Java 8令人激动的基础之上。除了Java 8的lambdas和streams之外,Java 9还添加了许多自己的新特性。它包含了新的库特性来支持响应式编程,这为用户提供了一种新的方式来思考编程和编写更易于阅读和维护的代码。

成为VIP会员查看完整内容
0
42

本书通过提供真实的案例研究和示例,为使用Python库进行机器学习提供了坚实的基础。它涵盖了诸如机器学习基础、Python入门、描述性分析和预测分析等主题。包括高级机器学习概念,如决策树学习、随机森林、增强、推荐系统和文本分析。这本书在理论理解和实际应用之间采取了一种平衡的方法。所有的主题都包括真实世界的例子,并提供如何探索、构建、评估和优化机器学习模型的逐步方法。

成为VIP会员查看完整内容
Machine Learning using Python by Manaranjan Pradhan.pdf
0
179

人类从反馈中学习得最好——我们被鼓励采取导致积极结果的行动,而被具有消极后果的决定所阻碍。这种强化过程可以应用到计算机程序中,使它们能够解决经典编程所不能解决的更复杂的问题。深度强化学习实战教你基本概念和术语的深度强化学习,以及实践技能和技术,你将需要把它落实到你自己的项目。

对这项技术

深度强化学习是一种机器学习的形式,人工智能智能体从自己的原始感官输入中学习最优行为。系统感知环境,解释其过去决策的结果,并使用这些信息优化其行为以获得最大的长期回报。众所周知,深度强化学习对AlphaGo的成功做出了贡献,但这并不是它所能做的全部!更令人兴奋的应用程序等待被发现。让我们开始吧。

关于这本书

深度强化学习实战中教你如何编程的代理人,学习和改善的直接反馈,从他们的环境。您将使用流行的PyTorch深度学习框架构建网络,以探索从深度Q-Networks到策略梯度方法再到进化算法的强化学习算法。在你进行的过程中,你会将你所知道的应用到实际操作项目中,比如控制模拟机器人、自动化股票市场交易,甚至构建一个可以下围棋的机器人。

里面有什么

  • 将问题组织成马尔可夫决策过程
  • 深度Q网络、策略梯度法、进化算法等流行算法及其驱动算法的直觉
  • 将强化学习算法应用于实际问题
成为VIP会员查看完整内容
0
149

掌握通过机器学习和深度学习识别和解决复杂问题的基本技能。使用真实世界的例子,利用流行的Python机器学习生态系统,这本书是你学习机器学习的艺术和科学成为一个成功的实践者的完美伴侣。本书中使用的概念、技术、工具、框架和方法将教会您如何成功地思考、设计、构建和执行机器学习系统和项目。

使用Python进行的实际机器学习遵循结构化和全面的三层方法,其中包含了实践示例和代码。

第1部分侧重于理解机器学习的概念和工具。这包括机器学习基础,对算法、技术、概念和应用程序的广泛概述,然后介绍整个Python机器学习生态系统。还包括有用的机器学习工具、库和框架的简要指南。

第2部分详细介绍了标准的机器学习流程,重点介绍了数据处理分析、特征工程和建模。您将学习如何处理、总结和可视化各种形式的数据。特性工程和选择方法将详细介绍真实数据集,然后是模型构建、调优、解释和部署。

第3部分探讨了多个真实世界的案例研究,涵盖了零售、交通、电影、音乐、营销、计算机视觉和金融等不同领域和行业。对于每个案例研究,您将学习各种机器学习技术和方法的应用。动手的例子将帮助您熟悉最先进的机器学习工具和技术,并了解什么算法最适合任何问题。

实用的机器学习与Python将授权您开始解决您自己的问题与机器学习今天!

你将学习:

  • 执行端到端机器学习项目和系统
  • 使用行业标准、开放源码、健壮的机器学习工具和框架实现实践示例
  • 回顾描述机器学习和深度学习在不同领域和行业中的应用的案例研究
  • 广泛应用机器学习模型,包括回归、分类和聚类。
  • 理解和应用深度学习的最新模式和方法,包括CNNs、RNNs、LSTMs和transfer learning。

这本书是给谁看的 IT专业人士、分析师、开发人员、数据科学家、工程师、研究生

目录:

Part I: Understanding Machine Learning

  • Chapter 1: Machine Learning Basics
  • Chapter 2: The Python Machine Learning Ecosystem Part II: The Machine Learning Pipeline
  • Chapter 3: Processing, Wrangling and Visualizing Data
  • Chapter 4: Feature Engineering and Selection
  • Chapter 5: Building, Tuning and Deploying Models Part III: Real-World Case Studies
  • Chapter 6: Analyzing Bike Sharing Trends
  • Chapter 7: Analyzing Movie Reviews Sentiment
  • Chapter 8: Customer Segmentation and Effective Cross Selling
  • Chapter 9: Analyzing Wine Types and Quality
  • Chapter 10: Analyzing Music Trends and Recommendations
  • Chapter 11: Forecasting Stock and Commodity Prices

Chapter 12: Deep Learning for Computer Vision

成为VIP会员查看完整内容
0
114

在六个步骤中学习高级Python 3主题的基础知识,所有这些都是为了让您成为一个有价值的实践者而设计的。这个更新版本的方法基于“六度分离”理论,该理论指出每个人和每件事都是最多六步之遥,并将每个主题分为两部分: 理论概念和使用适当的Python 3包的实际实现。

您将从Python 3编程语言基础、机器学习历史、发展和系统开发框架开始。本文还介绍了一些关键的数据挖掘/分析概念,如探索性分析、特征降维、回归、时间序列预测及其在Scikit-learn中的有效实现。您还将学习常用的模型诊断和调优技术。其中包括最优的类创建概率截止点、方差、偏差、装袋、提升、集成投票、网格搜索、随机搜索、贝叶斯优化和物联网数据降噪技术。

最后,您将回顾先进的文本挖掘技术,推荐系统,神经网络,深度学习,强化学习技术及其实现。本书中提供的所有代码都将以iPython笔记本的形式提供,使您能够尝试这些示例并将其扩展到您的优势。

你将学习

  • 了解机器学习开发和框架
  • 评估模型诊断和机器学习中的调优
  • 检查文本挖掘、自然语言处理(NLP)和推荐系统
  • 复习强化学习和CNN

这本书是给谁看的

Python开发人员、数据工程师和机器学习工程师希望将他们的知识或职业扩展到机器学习领域。

成为VIP会员查看完整内容
0
149

机器学习的核心是有效地识别数据中的模式和关系。许多任务,例如查找词汇之间的关联以便您能够做出准确的搜索建议,或者在社交网络中定位具有相似兴趣的个人,很自然地以图Graph的形式表达出来。图驱动机器学习教你如何使用基于图形的算法和数据组织策略来开发高级的机器学习应用程序。

对这项技术

对于任何涉及到大型数据集中的模式匹配的任务,基于图的机器学习都是一个非常强大的工具。应用程序包括安全问题,如识别欺诈或检测网络入侵,应用程序领域,如社交网络或自然语言处理,以及更好的用户体验,通过准确的推荐和智能搜索。通过将数据组织和分析为图形,您的应用程序可以更流畅地使用以图形为中心的算法(如最近邻算法或页面排名算法),在这些算法中,快速识别和利用相关关系非常重要。现代图形数据存储(如Neo4j或Amazon Neptune)是支持图形机器学习的现成工具。

关于这本书

图驱动机器学习向您介绍图技术概念,强调图在机器学习和大数据平台中的作用。您将深入了解各种技术,包括数据源建模、算法设计、链接分析、分类和集群。在掌握核心概念之后,您将探索三个端到端项目,它们将演示体系结构、最佳设计实践、优化方法和常见缺陷。作者亚历山德罗·内格罗在构建基于图形的机器学习系统方面的丰富经验在每一章中都有所体现,你可以从他与真实客户合作的实例和具体场景中学习!

里面有什么

  • 机器学习项目的生命周期
  • 三端到端应用程序
  • 大数据平台中的图形
  • 数据源建模
  • 自然语言处理、推荐和相关搜索
  • 优化方法
成为VIP会员查看完整内容
0
271

题目: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition

书籍简介: 通过最近的一系列突破,深度学习促进了整个机器学习领域的发展。现在,即使对这项技术一无所知的程序员也可以使用简单、高效的工具来实现能够从数据中学习的程序。这本实用的书告诉你怎么做。通过使用具体的例子、最小理论和两个可用于生产的Python框架Scikit Learn和TensorFlow的作者Aurélien Géron帮助您直观地理解用于构建智能系统的概念和工具。您将学习一系列技术,从简单的线性回归开始,然后进入深层神经网络。每一章的练习都有助于你应用你所学的知识。

  • 探索机器学习领域,特别是神经网络

  • 使用Scikit Learn端到端跟踪示例机器学习项目

  • 探索几种训练模型,包括支持向量机、决策树、随机森林和集成方法

  • 利用TensorFlow库建立和训练神经网络

  • 深入研究神经网络结构,包括卷积网络、递归网络和深度强化学习

  • 学习深度神经网络的训练和缩放技术

作者简介: Aurélien Géron,Kiwisoft的机器学习顾问,也是畅销书《与Scikit-Learn、Keras和TensorFlow一起进行机器学习》的作者。此前,他曾领导YouTube的视频分类团队,是Wifirst的创始人和首席技术官,并在多个领域担任顾问:金融(摩根大楼和法国兴业银行)、国防(加拿大国防部)和医疗(输血)。他还出版了一些技术书籍(关于c++、WiFi和互联网架构),他是巴黎多芬大学的讲师。

成为VIP会员查看完整内容
0
130

题目: Machine Learning in Action

摘要: 这本书向人们介绍了重要的机器学习算法,介绍了使用这些算法的工具和应用程序,让读者了解它们在今天的实践中是如何使用的。大部分的机器学习书籍都是讨论数学,但很少讨论如何编程算法。这本书旨在成为从矩阵中提出的算法到实际运行程序之间的桥梁。有鉴于此,请注意这本书重代码轻数学。

代码下载链接: https://pan.baidu.com/s/1--8P9Hlp7vzJdvhnnhsDvw 提取码:vqhg

成为VIP会员查看完整内容
0
61
小贴士
相关论文
Jiacheng Yang,Mingxuan Wang,Hao Zhou,Chengqi Zhao,Yong Yu,Weinan Zhang,Lei Li
5+阅读 · 2020年3月26日
Joost Verbraeken,Matthijs Wolting,Jonathan Katzy,Jeroen Kloppenburg,Tim Verbelen,Jan S. Rellermeyer
22+阅读 · 2019年12月20日
Bernhard Schölkopf
9+阅读 · 2019年11月24日
Claudio Gambella,Bissan Ghaddar,Joe Naoum-Sawaya
7+阅读 · 2019年1月16日
Learning Embedding Adaptation for Few-Shot Learning
Han-Jia Ye,Hexiang Hu,De-Chuan Zhan,Fei Sha
8+阅读 · 2018年12月10日
Marek Rei,Anders Søgaard
3+阅读 · 2018年11月14日
Yao Quanming,Wang Mengshuo,Jair Escalante Hugo,Guyon Isabelle,Hu Yi-Qi,Li Yu-Feng,Tu Wei-Wei,Yang Qiang,Yu Yang
6+阅读 · 2018年10月31日
Shaohui Kuang,Deyi Xiong
3+阅读 · 2018年6月12日
Hemayet Ahmed Chowdhury,Tanvir Alam Nibir,Md. Saiful Islam
8+阅读 · 2018年3月22日
Henggang Cui,Gregory R. Ganger,Phillip B. Gibbons
3+阅读 · 2018年3月20日
Top