Spedizione gratuita per ordini superiori a 69,99 euro.

Controllare lo stato dell'ordine

Entra a far parte di una comunità di amanti dei libri di tutto il mondo e ottieni numerosi vantaggi. Crea un account gratuito

Spedizione gratuita con Packeta per un prezzo superiore a 69.99 €

Bartolini 4.49 € Punto Poste 5.49 € Punto Poste 5.49 € Punto Bartolini 3.49 € DHL 6.99 € GLS 5.99 € Punto GLS 4.49 €

Contatto

Come acquistare

Aiuto

Il mio account

▸ Vuoto :-(

Spedizione gratuita per ordini superiori a 69,99 euro.

R for Data Science

Name: R for Data Science
Brand: KS OmniScriptum Publishing
SKU: 51459391
Price: 90.89 EUR
Availability: InStock
Author: Olaoluwa S. Yaya
ISBN: 9786209540547

Implementing Machine Learning Models

Olaoluwa S. Yaya

Mary M. Adepoju

Lingua

Inglese

Libro In brossura

Codice Libristo: 51459391

Casa editrice KS OmniScriptum Publishing, febbraio 2026

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

Codice Libristo: 51459391

222 b

90.89 €

Magazzino esterno Inviamo tra 10-18 giorni

Fino a 30 giorni per il reso

I clienti hanno acquistato anche

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

In brossura

84.39 €

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.