Título :	Learn Data Mining Through Excel : A Step-by-Step Approach for Understanding Machine Learning Methods
Tipo de documento:	documento electrónico
Autores:	ZHOU, Hong, Autor
Mención de edición:	1 ed.
Editorial:	Berkeley, CA : Apress
Fecha de publicación:	2020
Número de páginas:	XVI, 219 p. 176 ilustraciones
ISBN/ISSN/DL:	978-1-4842-5982-5
Nota general:	Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave:	programas de microsoft  NET Framework microsoft  Procesamiento de datos  microsoft  Minería de datos y descubrimiento de conocimientos
Índice Dewey:	5.268
Resumen:	Utilice técnicas populares de minería de datos en Microsoft Excel para comprender mejor los métodos de aprendizaje automático. Las herramientas de software y los paquetes de lenguajes de programación toman la entrada de datos y entregan resultados de extracción de datos directamente, sin presentar información sobre la mecánica de trabajo y creando un abismo entre la entrada y la salida. Aquí es donde Excel puede ayudar. Excel le permite trabajar con datos de forma transparente. Cuando abre un archivo de Excel, los datos son visibles inmediatamente y puede trabajar con ellos directamente. Los resultados intermedios se pueden examinar mientras realiza su tarea de minería, lo que ofrece una comprensión más profunda de cómo se manipulan los datos y se obtienen los resultados. Estos son aspectos críticos del proceso de construcción del modelo que están ocultos en herramientas de software y paquetes de lenguajes de programación. Este libro le enseña la minería de datos a través de Excel. Aprenderá cómo Excel tiene una ventaja en la minería de datos cuando los conjuntos de datos no son demasiado grandes. Puede brindarle una representación visual de la minería de datos, generando confianza en sus resultados. Realizará cada paso manualmente, lo que ofrece no solo una experiencia de aprendizaje activo, sino que también le enseña cómo funciona el proceso de minería y cómo encontrar los patrones internos ocultos dentro de los datos. Lo que aprenderá: comprenderá la minería de datos mediante un enfoque visual paso a paso. Construirá sobre una introducción teórica de un método de minería de datos, seguida de una implementación en Excel. Revele el misterio detrás de los algoritmos de aprendizaje automático, haciendo que un tema complejo sea accesible para todos. Adquiera habilidades. en usos creativos de fórmulas y funciones de Excel Obtenga experiencia práctica con minería de datos y Excel Este libro es para cualquier persona interesada en aprender minería de datos o aprendizaje automático, especialmente estudiantes visuales de ciencia de datos y personas con conocimientos de Excel, que deseen explorar temas de ciencia de datos y/o ampliar sus habilidades de Excel. Se recomienda un nivel básico o principiante de Excel. Hong Zhou, PhD, es profesor de informática y matemáticas y ha impartido cursos de informática, ciencia de datos, matemáticas e informática en la Universidad de Saint Joseph durante más de 15 años. Sus intereses de investigación incluyen bioinformática, minería de datos, agentes de software y blockchain. Antes de ocupar su puesto actual, trabajó como desarrollador de Java en Silicon Valley. El Dr. Zhou cree que los estudiantes pueden desarrollar una mejor base para los modelos de minería de datos cuando los experimentan visualmente paso a paso, que es lo que ofrece Excel. Ha empleado Excel en la enseñanza de minería de datos y lo considera un enfoque eficaz tanto para los estudiantes como para los educadores de minería de datos.
Nota de contenido:	Chapter 1: Excel and Data Mining -- Chapter 2: Linear Regression -- Chapter 3: K-Means Clustering -- Chapter 4: Linear Discriminant Analysis -- Chapter 5: Cross-Validation and ROC -- Chapter 6: Logistic Regression -- Chapter 7: K-nearest Neighbors -- Chapter 8: Naive Bayes Classification -- Chapter 9: Decision Trees -- Chapter 10: Association Analysis -- Chapter 11: Artificial Neural Network -- Chapter 12: Text Mining -- Chapter 13: After Excel.
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

Learn Data Mining Through Excel : A Step-by-Step Approach for Understanding Machine Learning Methods [documento electrónico] / ZHOU, Hong, Autor  . -  1 ed.  . - Berkeley, CA : Apress, 2020 . - XVI, 219 p. 176 ilustraciones.
ISBN : 978-1-4842-5982-5
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.

Palabras clave:	programas de microsoft  NET Framework microsoft  Procesamiento de datos  microsoft  Minería de datos y descubrimiento de conocimientos
Índice Dewey:	5.268
Resumen:	Utilice técnicas populares de minería de datos en Microsoft Excel para comprender mejor los métodos de aprendizaje automático. Las herramientas de software y los paquetes de lenguajes de programación toman la entrada de datos y entregan resultados de extracción de datos directamente, sin presentar información sobre la mecánica de trabajo y creando un abismo entre la entrada y la salida. Aquí es donde Excel puede ayudar. Excel le permite trabajar con datos de forma transparente. Cuando abre un archivo de Excel, los datos son visibles inmediatamente y puede trabajar con ellos directamente. Los resultados intermedios se pueden examinar mientras realiza su tarea de minería, lo que ofrece una comprensión más profunda de cómo se manipulan los datos y se obtienen los resultados. Estos son aspectos críticos del proceso de construcción del modelo que están ocultos en herramientas de software y paquetes de lenguajes de programación. Este libro le enseña la minería de datos a través de Excel. Aprenderá cómo Excel tiene una ventaja en la minería de datos cuando los conjuntos de datos no son demasiado grandes. Puede brindarle una representación visual de la minería de datos, generando confianza en sus resultados. Realizará cada paso manualmente, lo que ofrece no solo una experiencia de aprendizaje activo, sino que también le enseña cómo funciona el proceso de minería y cómo encontrar los patrones internos ocultos dentro de los datos. Lo que aprenderá: comprenderá la minería de datos mediante un enfoque visual paso a paso. Construirá sobre una introducción teórica de un método de minería de datos, seguida de una implementación en Excel. Revele el misterio detrás de los algoritmos de aprendizaje automático, haciendo que un tema complejo sea accesible para todos. Adquiera habilidades. en usos creativos de fórmulas y funciones de Excel Obtenga experiencia práctica con minería de datos y Excel Este libro es para cualquier persona interesada en aprender minería de datos o aprendizaje automático, especialmente estudiantes visuales de ciencia de datos y personas con conocimientos de Excel, que deseen explorar temas de ciencia de datos y/o ampliar sus habilidades de Excel. Se recomienda un nivel básico o principiante de Excel. Hong Zhou, PhD, es profesor de informática y matemáticas y ha impartido cursos de informática, ciencia de datos, matemáticas e informática en la Universidad de Saint Joseph durante más de 15 años. Sus intereses de investigación incluyen bioinformática, minería de datos, agentes de software y blockchain. Antes de ocupar su puesto actual, trabajó como desarrollador de Java en Silicon Valley. El Dr. Zhou cree que los estudiantes pueden desarrollar una mejor base para los modelos de minería de datos cuando los experimentan visualmente paso a paso, que es lo que ofrece Excel. Ha empleado Excel en la enseñanza de minería de datos y lo considera un enfoque eficaz tanto para los estudiantes como para los educadores de minería de datos.
Nota de contenido:	Chapter 1: Excel and Data Mining -- Chapter 2: Linear Regression -- Chapter 3: K-Means Clustering -- Chapter 4: Linear Discriminant Analysis -- Chapter 5: Cross-Validation and ROC -- Chapter 6: Logistic Regression -- Chapter 7: K-nearest Neighbors -- Chapter 8: Naive Bayes Classification -- Chapter 9: Decision Trees -- Chapter 10: Association Analysis -- Chapter 11: Artificial Neural Network -- Chapter 12: Text Mining -- Chapter 13: After Excel.
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