Neural Networks with R: Build smart systems by implementing popular deep learning models in R

Opiniones de los lectores

El libro proporciona una comprensión básica de la IA y las redes neuronales utilizando R, pero adolece de problemas gramaticales y falta de profundidad en ciertas áreas. Aunque es apreciado por estar bien estructurado y ser claro para los principiantes, muchos críticos señalan sus deficiencias en la calidad de la escritura y la cobertura de contenidos específicos.

⬤ Presentación bien escrita y secuencial
⬤ bueno para principiantes
⬤ explicaciones concisas
⬤ ejemplos útiles de R
⬤ mezcla teoría con ejemplos de la vida real
⬤ muy recomendable para entusiastas de la programación en R y la ciencia de datos.

⬤ Contiene problemas gramaticales e inglés extraño
⬤ le falta profundidad en los temas
⬤ algunas afirmaciones son poco científicas
⬤ gráficos de baja calidad
⬤ tamaño de letra pequeño para las fórmulas
⬤ en general podría estar mejor escrito dado el precio.

(basado en 10 opiniones de lectores)

Contenido del libro:

Construye una base sólida para entrar en el mundo del aprendizaje automático y la ciencia de datos con la ayuda de esta completa guía

Características principales

⬤ Iniciarse en el campo del Aprendizaje Automático con la ayuda de esta guía sólida, rica en conceptos, pero muy práctica.

⬤ Su solución única para todo lo que importa en el dominio de los qués y los porqués de los algoritmos de aprendizaje automático y su implementación.

⬤ Obtenga una base sólida para su entrada en el Aprendizaje Automático fortaleciendo sus raíces (algoritmos) con esta completa guía.

Descripción del libro

A medida que la cantidad de datos sigue creciendo a un ritmo casi incomprensible, ser capaz de comprender y procesar los datos se está convirtiendo en un diferenciador clave para las organizaciones competitivas. Las aplicaciones del aprendizaje automático están en todas partes, desde los coches autoconducidos, la detección de spam, la búsqueda de documentos y las estrategias comerciales, hasta el reconocimiento de voz. Esto hace que el aprendizaje automático se adapte bien a la era actual de Big Data y Data Science. El principal reto es cómo transformar los datos en conocimiento procesable.

En este libro aprenderá todos los algoritmos importantes de aprendizaje automático que se utilizan habitualmente en el campo de la ciencia de datos. Estos algoritmos se pueden utilizar tanto para el aprendizaje supervisado como para el no supervisado, el aprendizaje por refuerzo y el aprendizaje semisupervisado. Algunos algoritmos famosos que se cubren en este libro son la regresión lineal, regresión logística, SVM, Naive Bayes, K-Means, Random Forest, TensorFlow, y la ingeniería de características. En este libro también aprenderás cómo funcionan estos algoritmos y su implementación práctica para resolver tus problemas. Este libro también le introducirá en el Lenguaje de Procesamiento Natural y en los sistemas de Recomendación, que le ayudarán a ejecutar múltiples algoritmos simultáneamente.

Al finalizar el libro habrá dominado la selección de algoritmos de Aprendizaje Automático para clustering, clasificación o regresión en función de su problema.

Lo que aprenderá

⬤ Familiarizarse con elementos importantes del Aprendizaje Automático.

⬤ Comprender la selección de características y el proceso de ingeniería de características.

⬤ Evaluar el rendimiento y las compensaciones de error para la regresión lineal.

⬤ Construir un modelo de datos y entender cómo funciona utilizando diferentes tipos de algoritmos.

⬤ Aprender a ajustar los parámetros de las máquinas de vectores soporte.

⬤ Implementar clusters a un conjunto de datos.

⬤ Explorar el concepto de Lenguaje de Procesamiento Natural y Sistemas de Recomendación.

⬤ Crear una arquitectura de ML desde cero.

A quién va dirigido este libro

Este libro es para profesionales de TI que quieren entrar en el campo de la ciencia de datos y son muy nuevos en Machine Learning. La familiaridad con lenguajes como R y Python será muy valiosa aquí.