Título :	Data Science Revealed : With Feature Engineering, Data Visualization, Pipeline Development, and Hyperparameter Tuning
Tipo de documento:	documento electrónico
Autores:	Nokeri, Tshepo Chris, Autor
Mención de edición:	1 ed.
Editorial:	Berkeley, CA : Apress
Fecha de publicación:	2021
Número de páginas:	XX, 252 p. 95 ilustraciones
ISBN/ISSN/DL:	978-1-4842-6870-4
Nota general:	Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave:	Aprendizaje automático  Python (lenguaje de programa informático)  Pitón
Índice Dewey:	006.31 Máquina de aprendizaje
Resumen:	Obtenga información sobre técnicas de ciencia de datos, como ingeniería y visualización de datos, modelado estadístico, aprendizaje automático y aprendizaje profundo. Este libro le enseña cómo seleccionar variables, optimizar hiperparámetros, desarrollar canalizaciones y entrenar, probar y validar modelos automáticos y de aprendizaje profundo. Cada capítulo incluye un conjunto de ejemplos que le permitirán comprender los conceptos, suposiciones y procedimientos detrás de cada modelo. El libro cubre métodos paramétricos o modelos lineales que combaten el ajuste insuficiente o excesivo utilizando técnicas como Lasso y Ridge. Incluye análisis de regresión complejos con suavizado, descomposición y pronóstico de series temporales. Da una nueva mirada a los modelos no paramétricos para la clasificación binaria (análisis de regresión logística) y métodos de conjunto como árboles de decisión, máquinas de vectores de soporte y Bayes ingenuo. Cubre el método no paramétrico más popular para datos de eventos temporales (el estimador de Kaplan-Meier). También cubre formas de resolver problemas de clasificación utilizando redes neuronales artificiales, como máquinas de Boltzmann restringidas, perceptrones multicapa y redes de creencias profundas. El libro analiza técnicas de agrupamiento de aprendizaje no supervisado, como el método K-means, los enfoques aglomerativo y Dbscan, y técnicas de reducción de dimensiones como la importancia de las características, el análisis de componentes principales y el análisis discriminante lineal. E introduce inteligencia artificial sin conductor utilizando H2O. Después de leer este libro, podrá desarrollar, probar, validar y optimizar modelos estadísticos de aprendizaje automático y aprendizaje profundo, y diseñar, visualizar e interpretar conjuntos de datos. Usted podrá: Diseñar, desarrollar, entrenar y validar modelos de aprendizaje automático y aprendizaje profundo. Encontrar hiperparámetros óptimos para un rendimiento superior del modelo. Mejorar el rendimiento del modelo utilizando técnicas como la reducción de dimensiones y la regularización. Extraer información significativa para la toma de decisiones mediante la visualización de datos.
Nota de contenido:	Chapter 1: An Introduction to Simple Linear Regression Analysis -- Chapter 2: Advanced Parametric Methods -- Chapter 3: Time Series Analysis -- Chapter 4: High-Quality Time Series Analysis -- Chapter 5: Logistic Regression Analysis -- Chapter 6: Dimension Reduction and Multivariate Analysis Using Linear Discriminant Analysis -- Chapter 7: Finding Hyperplanes Using Support Vectors -- Chapter 8: Classification Using Decision Trees -- Chapter 9: Back to the Classics -- Chapter 10: Cluster Analysis -- Chapter 11: Survival Analysis -- Chapter 12: Neural Networks -- Chapter 13: Machine Learning Using H2O.
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

Data Science Revealed : With Feature Engineering, Data Visualization, Pipeline Development, and Hyperparameter Tuning [documento electrónico] / Nokeri, Tshepo Chris, Autor  . -  1 ed.  . - Berkeley, CA : Apress, 2021 . - XX, 252 p. 95 ilustraciones.
ISBN : 978-1-4842-6870-4
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.

Palabras clave:	Aprendizaje automático  Python (lenguaje de programa informático)  Pitón
Índice Dewey:	006.31 Máquina de aprendizaje
Resumen:	Obtenga información sobre técnicas de ciencia de datos, como ingeniería y visualización de datos, modelado estadístico, aprendizaje automático y aprendizaje profundo. Este libro le enseña cómo seleccionar variables, optimizar hiperparámetros, desarrollar canalizaciones y entrenar, probar y validar modelos automáticos y de aprendizaje profundo. Cada capítulo incluye un conjunto de ejemplos que le permitirán comprender los conceptos, suposiciones y procedimientos detrás de cada modelo. El libro cubre métodos paramétricos o modelos lineales que combaten el ajuste insuficiente o excesivo utilizando técnicas como Lasso y Ridge. Incluye análisis de regresión complejos con suavizado, descomposición y pronóstico de series temporales. Da una nueva mirada a los modelos no paramétricos para la clasificación binaria (análisis de regresión logística) y métodos de conjunto como árboles de decisión, máquinas de vectores de soporte y Bayes ingenuo. Cubre el método no paramétrico más popular para datos de eventos temporales (el estimador de Kaplan-Meier). También cubre formas de resolver problemas de clasificación utilizando redes neuronales artificiales, como máquinas de Boltzmann restringidas, perceptrones multicapa y redes de creencias profundas. El libro analiza técnicas de agrupamiento de aprendizaje no supervisado, como el método K-means, los enfoques aglomerativo y Dbscan, y técnicas de reducción de dimensiones como la importancia de las características, el análisis de componentes principales y el análisis discriminante lineal. E introduce inteligencia artificial sin conductor utilizando H2O. Después de leer este libro, podrá desarrollar, probar, validar y optimizar modelos estadísticos de aprendizaje automático y aprendizaje profundo, y diseñar, visualizar e interpretar conjuntos de datos. Usted podrá: Diseñar, desarrollar, entrenar y validar modelos de aprendizaje automático y aprendizaje profundo. Encontrar hiperparámetros óptimos para un rendimiento superior del modelo. Mejorar el rendimiento del modelo utilizando técnicas como la reducción de dimensiones y la regularización. Extraer información significativa para la toma de decisiones mediante la visualización de datos.
Nota de contenido:	Chapter 1: An Introduction to Simple Linear Regression Analysis -- Chapter 2: Advanced Parametric Methods -- Chapter 3: Time Series Analysis -- Chapter 4: High-Quality Time Series Analysis -- Chapter 5: Logistic Regression Analysis -- Chapter 6: Dimension Reduction and Multivariate Analysis Using Linear Discriminant Analysis -- Chapter 7: Finding Hyperplanes Using Support Vectors -- Chapter 8: Classification Using Decision Trees -- Chapter 9: Back to the Classics -- Chapter 10: Cluster Analysis -- Chapter 11: Survival Analysis -- Chapter 12: Neural Networks -- Chapter 13: Machine Learning Using H2O.
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