| Título : |
Advanced Data Analytics Using Python : With Machine Learning, Deep Learning and NLP Examples |
| Tipo de documento: |
documento electrónico |
| Autores: |
Mukhopadhyay, Sayan, Autor |
| Mención de edición: |
1 ed. |
| Editorial: |
Berkeley, CA : Apress |
| Fecha de publicación: |
2018 |
| Número de páginas: |
XV, 186 p. 18 ilustraciones |
| ISBN/ISSN/DL: |
978-1-4842-3450-1 |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Palabras clave: |
Python (lenguaje de programa informático) Grandes datos Software de código abierto Pitón Fuente abierta |
| Índice Dewey: |
5.133 |
| Resumen: |
Obtenga una amplia base de conceptos avanzados de análisis de datos y descubra la reciente revolución en bases de datos como Neo4j, Elasticsearch y MongoDB. Este libro analiza cómo implementar técnicas ETL, incluido el rastreo temático, que se aplica en dominios como el comercio algorítmico de alta frecuencia y los sistemas de diálogo orientados a objetivos. También verá ejemplos de conceptos de aprendizaje automático, como el aprendizaje semisupervisado, el aprendizaje profundo y la PNL. El análisis de datos avanzado con Python también cubre importantes técnicas tradicionales de análisis de datos, como series de tiempo y análisis de componentes principales. Después de leer este libro, tendrá experiencia en todos los aspectos técnicos de un proyecto de análisis. Conocerá los conceptos utilizando el código Python y le brindará ejemplos para usar en sus propios proyectos. Usted: Trabajará con técnicas de análisis de datos como clasificación, agrupamiento, regresión y pronóstico Manejará datos estructurados y no estructurados, técnicas ETL y diferentes tipos de bases de datos como Neo4j, Elasticsearch, MongoDB y MySQL Examinará los diferentes marcos de big data, incluidos Hadoop y Spark Descubra conceptos avanzados de aprendizaje automático, como el aprendizaje semisupervisado, el aprendizaje profundo y la PNL. |
| Nota de contenido: |
Chapter 1: Introduction -- Chapter 2: ETL with Python -- Chapter 3: Supervised Learning with Python -- Chapter 4: Unsupervised Learning with Python -- Chapter 5: Deep Learning & Neural Networks -- Chapter 6: Time Series Analysis -- Chapter 7: Python in Emerging Technologies. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
Advanced Data Analytics Using Python : With Machine Learning, Deep Learning and NLP Examples [documento electrónico] / Mukhopadhyay, Sayan, Autor . - 1 ed. . - Berkeley, CA : Apress, 2018 . - XV, 186 p. 18 ilustraciones. ISBN : 978-1-4842-3450-1 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Python (lenguaje de programa informático) Grandes datos Software de código abierto Pitón Fuente abierta |
| Índice Dewey: |
5.133 |
| Resumen: |
Obtenga una amplia base de conceptos avanzados de análisis de datos y descubra la reciente revolución en bases de datos como Neo4j, Elasticsearch y MongoDB. Este libro analiza cómo implementar técnicas ETL, incluido el rastreo temático, que se aplica en dominios como el comercio algorítmico de alta frecuencia y los sistemas de diálogo orientados a objetivos. También verá ejemplos de conceptos de aprendizaje automático, como el aprendizaje semisupervisado, el aprendizaje profundo y la PNL. El análisis de datos avanzado con Python también cubre importantes técnicas tradicionales de análisis de datos, como series de tiempo y análisis de componentes principales. Después de leer este libro, tendrá experiencia en todos los aspectos técnicos de un proyecto de análisis. Conocerá los conceptos utilizando el código Python y le brindará ejemplos para usar en sus propios proyectos. Usted: Trabajará con técnicas de análisis de datos como clasificación, agrupamiento, regresión y pronóstico Manejará datos estructurados y no estructurados, técnicas ETL y diferentes tipos de bases de datos como Neo4j, Elasticsearch, MongoDB y MySQL Examinará los diferentes marcos de big data, incluidos Hadoop y Spark Descubra conceptos avanzados de aprendizaje automático, como el aprendizaje semisupervisado, el aprendizaje profundo y la PNL. |
| Nota de contenido: |
Chapter 1: Introduction -- Chapter 2: ETL with Python -- Chapter 3: Supervised Learning with Python -- Chapter 4: Unsupervised Learning with Python -- Chapter 5: Deep Learning & Neural Networks -- Chapter 6: Time Series Analysis -- Chapter 7: Python in Emerging Technologies. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
|  |
Hacer una sugerencia Refinar búsqueda
