[kurp]

Czytam książkę z obrazka i chętnie poczytałbym więcej rzeczy z tej bajki. Znacie może jakieś fajne źródła, w których znajdę - tak jak tutaj - szeroki przegląd modeli z prezentacją krok po kroku ich charakterystyki, zastosowań i implementacji? Idealne byłoby coś, co pokazałoby:
* różne typy modeli z wyjaśnieniem zasady działania, statystycznych/matematycznych podstaw
* ich zastosowanie / co można osiągnąć danym narzędziem a czego nie
* implementacje ze wskazaniem lepszych i gorszych
* praktyczna prezentacja implementacji, najlepiej w R i najlepiej na danych, na których mógłbym pobawić się też sam
* może być też prosta quasi-dokumentacja - jakie zmienne mogą wchodzić do modelu, jak je selekcjonować, jakiego przygotowania wymagają
* jakieś praktyczne wskazówki, jak się właściwie poprawia skuteczność danego modelu - techniki wszelkich ficzer inżinieringów, normalizacji i standaryzacji danych, takie tam cuda na kiju

Nawiasem, dzięki @konik_polanowy i tag /#/packtpubfreelearning za książkę!

#jezykr #machinelearning #modelowanie #datascience

[kurp]

@interface: Dzięki!

[ja_nie_lubie]

@kurp:

http://www-bcf.usc.edu/~gareth/ISL/

https://web.stanford.edu/~hastie/ElemStatLearn/

Druga jest nieco bardziej zaawansowana.

[r.....h]

@kurp: Tak jak kolega wyżej napisał: ISL a potem ESL.
Na koniec na dobicie: https://www.deeplearningbook.org/

( ͡° ͜ʖ ͡°)

[kurp]

@ja_nie_lubie O, dzięki. To mam. ISL bardzo mi się podoba, tyle że zanim się dobrze wgryzłem, wciągnęło mnie właśnie MLwR. Wrócę do niej na pewno, bardzo porządkuje wiedzę. ESL wygląda z kolei na dużo cięższy kaliber.
@rith Dzięki!