توضیحات
Problems with linear regression — Multicollinearity — Outliers — Feature selection — Regularization — Ridge regression — Least absolute shrinkage and selection operator (lasso) — Implementing regularization in R — Polynomial regression — Summary — Chapter 4: Generalized Linear Models — Classifying with linear regression — Introduction to logistic regression — Generalized linear models — Interpreting coefficients in logistic regression — Assumptions of logistic regression — Maximum likelihood estimation — Predicting heart disease — Assessing logistic regression models — Model deviance — Test set performance — Regularization with the lasso — Classification metrics — Extensions of the binary logistic classifier — Multinomial logistic regression — Predicting glass type — Ordinal logistic regression — Predicting wine quality — Poisson regression — Negative Binomial regression — Summary — Chapter 5: Neural Networks — The biological neuron — The artificial neuron — Stochastic gradient descent — Gradient descent and local minima — The perceptron algorithm — Linear separation — The logistic neuron — Multilayer perceptron networks — Training multilayer perceptron networks — The back propagation algorithm — Predicting the energy efficiency of buildings — Evaluating multilayer perceptrons for regression — Predicting glass type revisited — Predicting handwritten digits — Receiver operating characteristic curves — Radial basis function networks — Summary — Chapter 6: Support Vector Machines — Maximal margin classification — Support vector classification — Inner products — Kernels and support vector machines — Predicting chemical biodegration — Predicting credit scores — Multiclass classification with support vector machines — Summary — Chapter 7: Tree-Based Methods — The intuition for tree models;Algorithms for training decision trees — Classification and regression trees — CART regression trees — Tree pruning — Missing data — Regression model trees — CART classification trees — C5.0 — Predicting class membership on synthetic 2D data — Predicting the authenticity of banknotes — Predicting complex skill learning — Tuning model parameters in CART trees — Variable importance in tree models — Regression model trees in action — Improvements to the M5 model — Summary — Chapter 8: Dimensionality Reduction — Defining DR — Correlated data analyses — Scatterplots — Causation — The degree of correlation — Reporting on correlation — Principal component analysis — Using R to understand PCA — Independent component analysis — Defining independence — ICA pre-processing — Factor analysis — Explore and confirm — Using R for factor analysis — The output — NNMF — Summary — Chapter 9: Ensemble Methods — Bagging — Margins and out-of-bag observations — Predicting complex skill learning with bagging — Predicting heart disease with bagging — Limitations of bagging — Boosting — AdaBoost — AdaBoost for binary classification — Predicting atmospheric gamma ray radiation — Predicting complex skill learning with boosting — Limitations of boosting — The importance of variables in random forests — XGBoost — Summary — Chapter 10: Probabilistic Graphical Models — A little graph theory — Bayes’ theorem — Conditional independence — Bayesian networks — The Nave Bayes classifier — Predicting the sentiment of movie reviews — Predicting promoter gene sequences — Predicting letter patterns in English words — Summary — Chapter 11 : Topic Modeling — An overview of topic modeling — Latent Dirichlet Allocation — The Dirichlet distribution — The generative process — Fitting an LDA model;Modeling the topics of online news stories — Model stability — Finding the number of topics — Topic distributions — Word distributions — LDA extensions — Modeling tweet topics — Word clouding — Summary — Chapter 12: Recommendation Systems — Rating matrix — Measuring user similarity — Collaborative filtering — User-based collaborative filtering — Item-based collaborative filtering — Singular value decomposition — Predicting recommendations for movies and jokes — Loading and pre-processing the data — Exploring the data — Evaluating binary top-N recommendations — Evaluating non-binary top-N recommendations — Evaluating individual predictions — Other approaches to recommendation systems — Summary — Chapter 13: Scaling Up — Starting the project — Data definition — Experience — Data of scale – big data — Using Excel to gauge your data — Characteristics of big data — Volume — Varieties — Sources and spans — Structure — Statistical noise — Training models at scale — Pain by phase — Specific challenges — Heterogeneity — Scale — Location — Timeliness — Privacy — Collaborations — Reproducibility — A path forward — Opportunities — Bigger data, bigger hardware — Breaking up — Sampling — Aggregation — Dimensional reduction — Alternatives — Chunking — Alternative language integrations — Summary — Chapter 14: Deep Learning — Machine learning or deep learning — What is deep learning? — An alternative to manual instruction — Growing importance — Deeper data? — Deep learning for IoT — Use cases — Word embedding — Word prediction — Word vectors — Numerical representations of contextual similarities — Netflix learns — Implementations — Deep learning architectures — Artificial neural networks — Recurrent neural networks — Summary — Index;Cover — Copyright — Credits — About the Authors — About the Reviewer — www.PacktPub.com — Customer Feedback — Table of Contents — Preface — Chapter 1: Gearing Up for Predictive Modeling — Models — Learning from data — The core components of a model — Our first model – k-nearest neighbors — Types of model — Supervised, unsupervised, semi-supervised, and reinforcement learning models — Parametric and nonparametric models — Regression and classification models — Real-time and batch machine learning models — The process of predictive modeling — Defining the model’s objective — Collecting the data — Picking a model — Pre-processing the data — Exploratory data analysis — Feature transformations — Encoding categorical features — Missing data — Outliers — Removing problematic features — Feature engineering and dimensionality reduction — Training and assessing the model — Repeating with different models and final model selection — Deploying the model — Summary — Chapter 2: Tidying Data and Measuring Performance — Getting started — Tidying data — Categorizing data quality — The first step — The next step — The final step — Performance metrics — Assessing regression models — Assessing classification models — Assessing binary classification models — Cross-validation — Learning curves — Plot and ping — Summary — Chapter 3: Linear Regression — Introduction to linear regression — Assumptions of linear regression — Simple linear regression — Estimating the regression coefficients — Multiple linear regression — Predicting CPU performance — Predicting the price of used cars — Assessing linear regression models — Residual analysis — Significance tests for linear regression — Performance metrics for linear regression — Comparing different regression models — Test set performance
————————————————————–
ترجمه ماشینی :
مشکلات مربوط به رگرسیون خطی – چند قطبی – Outliers – انتخاب ویژگی ها – تنظیم مجدد – رگرسیون ریج – حداقل انقباض و انتخاب مطلق (LASSO) – اجرای منظم در R – رگرسیون چند جمله ای – خلاصه – فصل 4: مدلهای خطی عمومی – طبقه بندی با رگرسیون خطی – مقدمه ای بر رگرسیون لجستیک – مدلهای خطی تعمیم یافته – تفسیر ضرایب در رگرسیون لجستیک – فرضیات رگرسیون لجستیک – برآورد حداکثر احتمال – پیش بینی بیماری قلبی – ارزیابی مدلهای رگرسیون لجستیک – – انحراف مدل – عملکرد مجموعه آزمون – منظم سازی با Lasso – معیارهای طبقه بندی – پسوندها طبقه بندی لجستیک باینری – رگرسیون لجستیک چندمجمی – پیش بینی نوع شیشه – رگرسیون لجستیک معمولی – پیش بینی کیفیت شراب – رگرسیون پواسون – رگرسیون دوتایی منفی- خلاصه- فصل 5: شبکه های عصبی- نورون بیولوژیکی- نورون مصنوعی- نزول شیب تصادفی- نزول شیب و حداقل محلی- الگوریتم Perceptron- جداسازی خطی- لجستیک نورون – شبکه های Perceptron چند لایه – آموزش شبکه های Perceptron چند لایه – الگوریتم انتشار پشت – پیش بینی راندمان انرژی ساختمانها – ارزیابی Perceptrons چند لایه برای رگرسیون – پیش بینی نوع شیشه بازنگری – پیش بینی رقم های دست نویس – Receiver Obering Curnes مشخصه مشخصه -شبکه های عملکردی مبنای شعاعی-خلاصه-فصل 6: ماشین های بردار پشتیبانی-طبقه بندی حداکثر حاشیه-طبقه بندی وکتور پشتیبانی-محصولات داخلی-هسته و دستگاه های بردار پشتیبانی-پیش بینی تجسس شیمیایی-پیش بینی نمرات اعتباری- طبقه بندی چند طبقه با دستگاه های بردار پشتیبانی-خلاصه-فصل 7: روشهای مبتنی بر درخت-شهود برای مدل های درخت ؛ الگوریتم های آموزش درختان تصمیم گیری-طبقه بندی و درختان رگرسیون-درختان رگرسیون سبد-هرس درخت-داده های گمشده – درختان مدل رگرسیون- درختان طبقه بندی سبد- C5.0- پیش بینی عضویت در کلاس در داده های 2D مصنوعی- پیش بینی صحت اسکناس ها- پیش بینی یادگیری مهارت پیچیده- تنظیم پارامترهای مدل
tag : دانلود کتاب تسلط بر تجزیه و تحلیل پیش بینی با r , Download تسلط بر تجزیه و تحلیل پیش بینی با r , دانلود تسلط بر تجزیه و تحلیل پیش بینی با r , Download Mastering Predictive Analytics with R Book , تسلط بر تجزیه و تحلیل پیش بینی با r دانلود , buy تسلط بر تجزیه و تحلیل پیش بینی با r , خرید کتاب تسلط بر تجزیه و تحلیل پیش بینی با r , دانلود کتاب Mastering Predictive Analytics with R , کتاب Mastering Predictive Analytics with R , دانلود Mastering Predictive Analytics with R , خرید Mastering Predictive Analytics with R , خرید کتاب Mastering Predictive Analytics with R ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.