Aprendizaje automático con R, Tidyverse y Mlr

Opiniones de los lectores

El libro ha recibido críticas dispares: algunos lo consideran útil para principiantes, mientras que otros critican su escaso contenido. Proporciona una sólida introducción al aprendizaje automático e incluye ejemplos prácticos, especialmente para R y Tidyverse.

⬤ Introducción bien estructurada y completa al aprendizaje automático
⬤ útil para principiantes
⬤ incluye explicaciones junto a pasos
⬤ ejemplos prácticos que funcionan
⬤ buen capítulo sobre Tidyverse.

⬤ El contenido puede ser demasiado ligero para algunos lectores
⬤ decepción señalada por algunos seguidores de otros libros de Manning Publications
⬤ las alternativas recomendadas sugieren que puede no satisfacer todas las necesidades.

(basado en 5 opiniones de lectores)

Título original:

Machine Learning with R, the Tidyverse, and Mlr

Contenido del libro:

Resumen.

El aprendizaje automático (Machine Learning, ML) es un conjunto de técnicas de programación para descubrir relaciones en los datos. Con los algoritmos de ML, se pueden agrupar y clasificar datos para tareas como la formulación de recomendaciones o la detección de fraudes, y hacer predicciones para tendencias de ventas, análisis de riesgos y otras previsiones. El aprendizaje automático, antaño dominio de los científicos de datos académicos, se ha convertido en un proceso empresarial generalizado, y herramientas como el lenguaje de programación R, fácil de aprender, ponen el análisis de datos de alta calidad en manos de cualquier programador. Machine Learning with R, the tidyverse, and mlr le enseña técnicas de ML ampliamente utilizadas y cómo aplicarlas a sus propios conjuntos de datos utilizando el lenguaje de programación R y su potente ecosistema de herramientas. Este libro le ayudará a empezar.

La compra del libro impreso incluye un libro electrónico gratuito en formatos PDF, Kindle y ePub de Manning Publications.

Acerca del libro.

Machine Learning with R, the tidyverse, and mlr te inicia en el aprendizaje automático utilizando R Studio y el impresionante paquete de aprendizaje automático mlr. Esta guía práctica simplifica la teoría y evita estadísticas o matemáticas innecesariamente complicadas. Todas las técnicas básicas de ML se explican claramente mediante gráficos y ejemplos fáciles de comprender. En cada atractivo capítulo, pondrá en práctica un nuevo algoritmo para resolver un peculiar problema de análisis predictivo, incluidas las probabilidades de supervivencia en el Titanic, el filtrado de correo electrónico no deseado y la investigación de vino envenenado.

Contenido.

Uso de los paquetes tidyverse para procesar y trazar sus datos.

Técnicas de aprendizaje supervisado y no supervisado.

Algoritmos de clasificación, regresión, reducción de dimensiones y agrupación.

Introducción a la estadística para llenar lagunas en sus conocimientos.

Acerca del lector.

Para principiantes en el aprendizaje automático con conocimientos básicos de R.

Sobre el autor.

Hefin I. Rhys es un científico investigador senior de laboratorio en el Instituto Francis Crick. Dirige su propio canal de YouTube de tutoriales screencast para R y RStudio.

Tabla de contenidos:

PARTE 1 - INTRODUCCIÓN.

1. Introducción al aprendizaje automático.

2. Ordenar, manipular y trazar datos con el tidyverse.

PARTE 2 - CLASIFICACIÓN.

3. Clasificación basada en similitudes con los vecinos k más cercanos.

4. 4. Clasificación basada en probabilidades con regresión logística.

5. Clasificar maximizando la separación con el análisis discriminante.

6. 6. Clasificación con Bayes ingenuo y máquinas de vectores soporte.

7. 7. Clasificación con árboles de decisión.

8. Mejora de los árboles de decisión con bosques aleatorios y boosting.

PARTE 3 - REGRESIÓN.

9. 9. Regresión lineal.

10. Regresión no lineal con modelos aditivos generalizados.

11. Prevención del sobreajuste con regresión ridge, LASSO y red elástica.

12. 12. Regresión con kNN, random forest y XGBoost.

PARTE 4 - REDUCCIÓN DE DIMENSIONES.

13. Maximización de la varianza con el análisis de componentes principales.

14. Maximización de la similitud con t-SNE y UMAP.

15. 15. Mapas autoorganizativos e incrustación localmente lineal.

PARTE 5 - CLUSTERING.

16. Clustering por búsqueda de centros con k-means.

17. 17. Clustering jerárquico.

18. Clustering basado en densidad: DBSCAN y OPTICS.

19. Clustering basado en distribuciones con modelado de mezclas.

20. Notas finales y lecturas complementarias.