.
Machine Learning with R [Electronic resource] / Abhijit Ghatak. - Berlin : Springer International Publishing Switzerland, . - 224 p. - Режим доступа: https://link.springer.com/book/10.1007/978-981-10-6808-9 (Springerlink). - ISBN 978-981-10-6807-2. - ISBN 978-981-10-6808-9. - DOI https://doi.org/10.1007/978-981-10-6808-9

Переклад назви: Машинне навчання з R
Рубрики:
Artificial Intelligence
Programming Techniques
Compilers and Interpreters
Database Management

Ключові слова: overfitting and underfitting -- bias-variance trade off -- regularization -- optimization -- gradient descent/ascent -- coordinate descent -- переобладнання та недообладнання -- компроміс зміщення та дисперсії -- регуляризація -- оптимізація -- градієнтний спуск/підйом -- координатний спуск -- gradient descent/ascent; coordinate descent --
Анотація:
This book helps readers understand the mathematics of machine learning, and apply them in different situations. It is divided into two basic parts, the first of which introduces readers to the theory of linear algebra, probability, and data distributions and it’s applications to machine learning. It also includes a detailed introduction to the concepts and constraints of machine learning and what is involved in designing a learning algorithm. This part helps readers understand the mathematical and statistical aspects of machine learning. In turn, the second part discusses the algorithms used in supervised and unsupervised learning. It works out each learning algorithm mathematically and encodes it in R to produce customized learning applications. In the process, it touches upon the specifics of each algorithm and the science behind its formulation. The book includes a wealth of worked-out examples along with R codes. It explains the code for each algorithm, and readerscan modify the code to suit their own needs. The book will be of interest to all researchers who intend to use R for machine learning, and those who are interested in the practical aspects of implementing learning algorithms for data analysis. Further, it will be particularly useful and informative for anyone who has struggled to relate the concepts of mathematics and statistics to machine learning.
Ця книга допомагає читачам зрозуміти математику машинного навчання та застосовувати її в різних ситуаціях. Він розділений на дві основні частини, перша з яких знайомить читачів з теорією лінійної алгебри, ймовірностей і розподілу даних, а також її застосуванням до машинного навчання. Він також включає детальний вступ до концепцій та обмежень машинного навчання та того, що бере участь у розробці алгоритму навчання. Ця частина допомагає читачам зрозуміти математичні та статистичні аспекти машинного навчання. У свою чергу, у другій частині розглядаються алгоритми, які використовуються в навчанні під контролем і без нього. Він математично розробляє кожен алгоритм навчання та кодує його в R, щоб створити налаштовані навчальні програми. У процесі розглядається специфіка кожного алгоритму та наука, що стоїть за його формулюванням. Книга містить безліч розроблених прикладів разом із кодами R. У ньому пояснюється код кожного алгоритму, і читачі можуть змінювати код відповідно до власних потреб. Книга буде цікава всім дослідникам, які мають намір використовувати R для машинного навчання, і тим, хто цікавиться практичними аспектами реалізації алгоритмів навчання для аналізу даних. Крім того, це буде особливо корисно та інформативно для всіх, хто намагався пов’язати концепції математики та статистики з машинним навчанням.
This book helps readers understand the mathematics of  machine learning, and apply them in different situations. It is divided into two basic parts, the first of which introduces readers to the theory of linear algebra, probability, and data distributions and it’s applications to machine learning. It also includes a detailed introduction to the concepts and constraints of machine learning and what is involved in designing a learning algorithm. This part helps readers understand the mathematical and statistical aspects of machine learning.
In turn, the second part discusses the algorithms used in supervised and unsupervised learning. It works out each learning algorithm mathematically and encodes it in R to produce customized learning applications. In the process, it touches upon the specifics of each algorithm and the science behind its formulation.
The book includes a wealth of worked-out examples along with R codes. It explains the code for each algorithm, and readerscan modify the code to suit their own needs. The book will be of interest to all researchers who intend to use R for machine learning, and those who are interested in the practical aspects of implementing learning algorithms for data analysis. Further, it will be particularly useful and informative for anyone who has struggled to relate the concepts of mathematics and statistics to machine learning.