djvu Machine learning e data science, 2ª edizione (Italian Edition)

Costruisci soluzioni di machine learning reali partendo da zero con R, senza bisogno di conoscenze matematiche avanzate o esperienza di programmazione pregressa.

Questa seconda edizione di Machine learning e data science offre un'introduzione accessibile e pratica ai principi fondamentali del machine learning, della modellazione statistica e della data science applicata, senza sommergere i lettori con formule complesse o gergo tecnico. Perfetto per principianti, analisti e professionisti aziendali che si avvicinano alla data science, questo libro fornisce un percorso completo basato su progetti reali, dalla preparazione dei dati al deployment dei modelli, utilizzando il potente linguaggio di programmazione R. Che tu stia analizzando trend di marketing, prevedendo il comportamento dei clienti o individuando frodi, questo libro ti offre le basi necessarie per risolvere problemi reali tramite il machine learning.

L'autore e data scientist Daniel D. Gutierrez si avvale della sua esperienza di insegnamento alla UCLA e dei suoi anni di pratica nel settore per guidarti attraverso argomenti essenziali, tra cui regressione, classificazione, clustering, feature engineering e valutazione dei modelli. Esplorerai tecniche di apprendimento supervisionato e non supervisionato, applicherai strategie di visualizzazione e costruirai flussi di lavoro intuitivi che rispecchiano il processo di data science utilizzato dai professionisti in ambito finanziario, sanitario, nel marketing e altro ancora. A differenza dei testi eccessivamente teorici, questa guida enfatizza l'applicazione pratica: cosa fare, perché farlo e come farlo in R.

All'interno troverai tutorial passo dopo passo, esempi di casi d'uso tratti da competizioni Kaggle e frammenti di codice facili da seguire che ti permettono di applicare immediatamente i concetti di machine learning. Impara come accedere e pulire set di dati reali, implementare algoritmi come decision tree, random forest, regressione logistica e k-means clustering, ed evitare errori comuni come data leakage e overfitting. Passa dall'analisi esplorativa dei dati alla modellazione predittiva avanzata.

Che tu sia uno studente, un aspirante data scientist o un analista che cerca di ampliare le proprie competenze, questa è la tua guida essenziale e adatta ai principianti per l'apprendimento statistico e il machine learning con R.