In diesem Abschnitt verwalten wir Daten mithilfe von R-Strukturen, analysieren Datensätze statistisch und visualisieren numerische und kategoriale Merkmale, um die Daten umfassend zu untersuchen und aufzubereiten.

In diesem Abschnitt befassen wir uns mit der Klassifizierung mittels „Lazy Learning“ unter Verwendung des k-NN-Algorithmus, messen die Ähnlichkeit von Daten anhand von Abstandsmetriken und bereiten Datensätze vor, indem wir die Daten normalisieren und aufteilen, um eine genaue Klassifizierung nach dem „Nearest-Neighbor“-Prinzip zu ermöglichen.

In diesem Abschnitt befassen wir uns mit der probabilistischen Textklassifizierung mithilfe des Naive-Bayes-Algorithmus und behandeln dabei die Grundlagen der Wahrscheinlichkeitstheorie, die bedingte Wahrscheinlichkeit anhand des Bayes-Theorems sowie die praktische Erkennung von SMS-Spam in R.

In diesem Abschnitt lernen wir, wie Entscheidungsbäume und Regelbasierte Lernverfahren wie C5.0, 1R und RIPPER Daten für die Klassifizierung aufteilen, ihre Ergebnisse interpretieren und die Leistung in praktischen Szenarien wie der Kreditrisikobewertung und der Erkennung toxischer Substanzen bewerten.

In diesem Abschnitt lernen wir, Regressionsmodelle – darunter lineare Regression und baumbasierte Methoden – zu implementieren, um numerische Ergebnisse zu schätzen, Korrelationen zwischen Merkmalen zu analysieren und praktische Techniken für eine effektive datengestützte Prognose anzuwenden.

In diesem Abschnitt untersuchen wir, wie neuronale Netze und Support-Vektor-Maschinen (SVMs) komplexe Datenzusammenhänge modellieren, wobei wir den Schwerpunkt auf das Training und die Bewertung von Modellen sowie die Optimierung von Hyperparametern für praktische Anwendungen im Bereich des maschinellen Lernens legen.

In diesem Abschnitt wenden wir das Association-Rule-Mining auf Transaktionsdaten an, nutzen Metriken wie Support und Confidence und setzen die Algorithmen Apriori und Eclat ein, um Kaufmuster für datengestützte Marketing- und Bestandsstrategien aufzudecken und zu analysieren.

In diesem Abschnitt stellen wir das k-Means-Clustering zur Gruppierung unbeschrifteter Daten vor und behandeln dabei Konzepte wie Clustering, Datenaufbereitung, Modellbewertung und Modellverfeinerung, um verwertbare Muster in Datensätzen aufzudecken.

In diesem Abschnitt bewerten wir Modelle des maschinellen Lernens anhand von Klassifikationsmetriken, analysieren Verwechslungsmatrizen und wenden Validierungsmethoden an, um abzuschätzen, wie sich die Modelle bei zukünftigen Daten verhalten könnten.

In diesem Abschnitt untersuchen wir die entscheidenden Faktoren für erfolgreiches maschinelles Lernen und konzentrieren uns dabei auf eine effektive Datenexploration, Strategien zur Projektgestaltung sowie das Verständnis der Auswirkungen in der Praxis, um eine Brücke zwischen Theorie und praktischer Anwendung zu schlagen.

In diesem Abschnitt befassen wir uns mit komplexen Aufgaben der Datenaufbereitung in R und konzentrieren uns dabei auf die Zusammenführung von Datenquellen und Techniken des Feature Engineering zur Unterstützung von Zielen im Bereich des maschinellen Lernens.

In diesem Abschnitt befassen wir uns mit den Herausforderungen bei Daten für das maschinelle Lernen, indem wir Merkmalsauswahl und -extraktion anwenden, fehlende oder spärliche Werte durch Imputation behandeln und Techniken zum Ausgleich unausgewogener Datensätze einsetzen, um die Modellleistung zu verbessern.

In diesem Abschnitt lernen wir, wie wir Modelle des maschinellen Lernens optimieren können, indem wir Hyperparameter systematisch anpassen und Ensemble-Verfahren wie Bagging, Boosting und Stacking anwenden, um die Vorhersageleistung zu verbessern.

In diesem Abschnitt befassen wir uns damit, wie man Deep-Learning-Modelle in R mithilfe von Frameworks wie Keras und TensorFlow anwendet, große, unstrukturierte Datenformate verarbeitet und parallele Berechnungen für skalierbare Machine-Learning-Lösungen implementiert.