Tidy Modeling with R - Kuhn, Max; Silge, Julia; - Prospero Internetes Könyváruház

Tidy Modeling with R: A Framework for Modeling in the Tidyverse
 
A termék adatai:

ISBN13:9781492096481
ISBN10:1492096482
Kötéstípus:Puhakötés
Terjedelem:300 oldal
Méret:237x198x20 mm
Súly:660 g
Nyelv:angol
793
Témakör:

Tidy Modeling with R

A Framework for Modeling in the Tidyverse
 
Kiadás sorszáma: 1
Kiadó: O'Reilly
Megjelenés dátuma:
Kötetek száma: Print PDF
 
Normál ár:

Kiadói listaár:
GBP 52.99
Becsült forint ár:
27 096 Ft (25 806 Ft + 5% áfa)
Miért becsült?
 
Az Ön ára:

24 387 (23 225 Ft + 5% áfa )
Kedvezmény(ek): 10% (kb. 2 710 Ft)
A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
Kattintson ide a feliratkozáshoz
 
Beszerezhetőség:

Becsült beszerzési idő: A Prosperónál jelenleg nincsen raktáron, de a kiadónál igen. Beszerzés kb. 3-5 hét..
A Prosperónál jelenleg nincsen raktáron.
Nem tudnak pontosabbat?
 
  példányt

 
Hosszú leírás:

Get going with tidymodels, a collection of R packages for modeling and machine learning. Whether you're just starting out or have years of experience with modeling, this practical introduction shows data analysts, business analysts, and data scientists how the tidymodels framework offers a consistent, flexible approach for your work.

RStudio engineers Max Kuhn and Julia Silge demonstrate ways to create models by focusing on an R dialect called the tidyverse. Software that adopts tidyverse principles shares both a high-level design philosophy and low-level grammar and data structures, so learning one piece of the ecosystem makes it easier to learn the next. You'll understand why the tidymodels framework has been built to be used by a broad range of people.

With this book, you will:

  • Learn the steps necessary to build a model from beginning to end
  • Understand how to use different modeling and feature engineering approaches fluently
  • Examine the options for avoiding common pitfalls of modeling, such as overfitting
  • Learn practical methods to prepare your data for modeling
  • Tune models for optimal performance
  • Use good statistical practices to compare, evaluate, and choose among models