MACHINE LEARNING MIT R. ÜBERWACHTES LERNEN: REGRESSION

In diesem Buch werden Techniken des überwachten Lernens entwickelt, die häufig in Anwendungen der vorausschauenden künstlichen Intelligenz und der Datenwissenschaft eingesetzt werden. Die Techniken werden mit vollständig gelösten Beispielen unter Verwendung der entsprechenden Software illustriert. Die Sprache R und ihre Bibliotheken zum überwachten Lernen, die ideal für die Arbeit in diesem Bereich sind, werden verwendet. Der Kurs befasst sich mit prädiktiven Algorithmen wie Multiple Linear Regression, Ridge Regression, PLS Regression, LARS Regression, LASSO Regression, Elastic Net Regression, Generalized Linear Model, Robust Regression, Support Vector Regression (SVR), Kernel Ridge Regression (Kernel Ridge Regression) und Kernel Ridge Regression (Kernel Ridge Regression), Kernel Ridge Regression (KRR), Stochastic Gradient Descendent Regression (SGD), Hubert Regression, Poisson Regression, Negative Binomial Regression, Logit und Probit Modelle, Count Modelle und Neural Network Modelle (LSTM, RNN, NARX, NNAR und GRU).