Sinopsis
La ciencia de datos es un campo interdisciplinar que utiliza métodos, algoritmos, procesos y sistemas para extraer conocimiento y conclusiones a partir de todo tipo de datos. A través del aprendizaje automático combina elementos de estadística, informática, matemáticas y técnicas de análisis para resolver problemas, hacer predicciones y generar valor a partir de los datos. Se apoya en grandes volúmenes de datos (Big Data) para descubrir patrones, tendencias y relaciones que pueden ser utilizadas para la toma de decisiones.
En este libro se desarrollan técnicas de aprendizaje supervisado utilizadas habitualmente en las aplicaciones de Inteligencia Artificial Predictiva y Ciencia de Datos.
Las técnicas se ilustran con ejemplos totalmente resueltos a partir del software adecuado para ello. Se utilizará el lenguaje Python y sus librerías relativas al aprendizaje supervisado, ideales para trabajar en este campo.
Se profundiza en algoritmos predictivos como:
• Regresión Lineal Múltiple,
• Ridge Regression,
• PLS Regression,
• LARS Regression,
• LASSO Regression,
• Elastic Net Regression,
• Modelo Lineal Generalizado,
• Regresión Robusta,
• Support Vector Regression (SVR),
• Kernel Ridge Regression (KRR),
• Stochastic Gradient Descendent Regression (SGD),
• Regresión de Hubert,
• Regresión de Poisson,
• Regresión Binomial Negativa,
• Modelos Logit y Probit,
• Modelos de Recuento,
• Modelos de Regresión con Redes Neuronales.
Más libros del autor
