Libri UniversitariApri il catalogo

Brad Boehmke – Hands-on Machine Learning with R

Libro adottato a Tor Vergata, a.a. 2026/2027 · 2 canali

Brad Boehmke – Hands-on Machine Learning with RVai su Amazon ›

Come lo indica il docente: Brad Boehmke, Brandon Greenwell (2019) Hands-on Machine Learning with R, Chapman

Chi lo adotta

Programma e testi di ogni canale

Big Data Analysis For Economics And Finance – Prof. Alessio Farcomeni Canale unico

Corso di laurea: Economics - Economia · Laurea magistrale (LM-56) · esame facoltativo

Tor Vergata · Economia · 6 CFU · apri nel catalogo

Brad Boehmke – Hands-on Machine Learning with Rquesto libroVai su Amazon ›Il prof non ha cambiato il libro dall'anno scorso
Hastie – The Elements of Statistical LearningVai su Amazon ›Il prof non ha cambiato il libro dall'anno scorso
Mining – And PredictionVai su Amazon ›Il prof non ha cambiato il libro dall'anno scorso
Bacheca del docente: cosa indica di studiare

Argomenti del programma: Caratteristiche dei Big Data. Fonti di Big data. Architetture per i big data (4 ore) Apprendimento non-supervisionato: k-medie, PAM, k-medie trimmata (4 ore) Apprendimento supervisionato: screening, regolarizzazione. Regressione ridge, LASSO, elastic net. (10 ore) Metodi informatici: k-nn, C&RT, random forests, reti neurali. Principi di previsione e scelta dei parametri di tuning.

Apri la scheda ufficiale ›
Aiutaci a tenerci aggiornati
Il prof ha indicato altri libri, pagine o modifiche? Scrivicelo.

Big Data Analysis For Economics And Finance – Prof. Alessio Farcomeni Canale unico

Corso di laurea: Finance and Banking - Finanza e Banca · Laurea magistrale (LM-16) · esame facoltativo

Tor Vergata · Economia · 6 CFU · apri nel catalogo

Brad Boehmke – Hands-on Machine Learning with Rquesto libroVai su Amazon ›Il prof non ha cambiato il libro dall'anno scorso
Hastie – The Elements of Statistical LearningVai su Amazon ›Il prof non ha cambiato il libro dall'anno scorso
Mining – And PredictionVai su Amazon ›Il prof non ha cambiato il libro dall'anno scorso
Bacheca del docente: cosa indica di studiare

Argomenti del programma: Caratteristiche dei Big Data. Fonti di Big data. Architetture per i big data (4 ore) Apprendimento non-supervisionato: k-medie, PAM, k-medie trimmata (4 ore) Apprendimento supervisionato: screening, regolarizzazione. Regressione ridge, LASSO, elastic net. (10 ore) Metodi informatici: k-nn, C&RT, random forests, reti neurali. Principi di previsione e scelta dei parametri di tuning.

Apri la scheda ufficiale ›
Aiutaci a tenerci aggiornati
Il prof ha indicato altri libri, pagine o modifiche? Scrivicelo.