Над 4 милиона заглавия на английски и други езици! Открийте новата си история още днес! Безплатна доставка за поръчки над 69.99€

Проверка на състоянието на поръчката

Станете част от общност от любители на книгите от цял свят и получавате много предимства. Създай на безплатен акаунт

Безплатна доставка със Еконт над 69.99 €

Куриер Speedy 3.49 € Пункт на Speedy 3.49 € ЕКОНТ 3.99 € Еконтомат/Офис на Еконт 3.99 € Ekont Box 3.99 € Sameday 3.99 € Sameday box 3.99 € Box Now 3.99 €

Контакт

Как се пазарува?

Помощ

Моят акаунт

▸ Празна :-(

R for Data Science

Name: R for Data Science
Brand: KS OmniScriptum Publishing
SKU: 51459391
Price: 75.08 EUR
Availability: InStock
Author: Olaoluwa S. Yaya
ISBN: 9786209540547

Implementing Machine Learning Models

Olaoluwa S. Yaya

Mary M. Adepoju

Език

Английски език

Книга С меки корици

Код Либристо: 51459391

Издателство KS OmniScriptum Publishing, февруари 2026

Unlock the power of machine learning in R with R for Data Science: Implementing Machine Learning Mod... Цялото описание

Код Либристо: 51459391

182 b

75.08 €

146.85 лв

Външен склад Изпращаме след 8-11 дни

До 30 дни за връщане на стоки

Клиентите са закупили също

Quo vadis, M&A? - Reformideen, ESG & Purpose-driven M&A Tony Grobe

С меки корици

76.01 € 148.67 лв

Unlock the power of machine learning in R with R for Data Science: Implementing Machine Learning Models. This comprehensive guide equips data scientists, analysts, and R enthusiasts with the practical skills needed to build, evaluate, and deploy advanced machine learning solutions across domains. Covering both fundamental and advanced topics, this book blends theory, hands-on examples, and real-world workflows to empower readers to harness R's full capabilities.Learn how to:• Preprocess, clean, and transform data for robust analysis.• Build predictive models with regression, classification, and time series techniques.• Apply natural language processing and text analytics to extract insights from unstructured data.• Explore clustering, dimensionality reduction, and anomaly detection in unsupervised learning.• Optimize models through hyperparameter tuning, ensemble methods, and stacking strategies.• Develop reproducible workflows, pipelines, and deployment-ready solutions in R.