Machine Learning : Implementar en Python con Scikit-learn /
Este libro introduce a aquellos que no son Data Scientists (científicos de datos), ni tienen conocimientos particulares de matemáticas, en la metodología de Machine Learning (Aprendizaje Automático), sus conceptos, sus principales algoritmos y la implementación de estos en Python usando Scikit...
Saved in:
| Main Author: | |
|---|---|
| Corporate Author: | |
| Format: | eBook |
| Language: | Spanish French |
| Published: |
Barcelona :
Ediciones ENI,
2024.
|
| Series: | EXPERT IT
|
| Subjects: | |
| Online Access: | Acceso a través de ENI. |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
MARC
| LEADER | 00000cam a22000001i 4500 | ||
|---|---|---|---|
| 001 | EIT2MLPYTSL | ||
| 003 | Editions ENI | ||
| 005 | 20250523 | ||
| 006 | m o d | ||
| 007 | cr cn uuaua | ||
| 008 | 250523s2024||||sp |||||o|||||||| ||spa|| | ||
| 020 | |a 9782409047299 |q versión digital online | ||
| 040 | |a Editions ENI |b spa | ||
| 041 | 0 | |a spa |h fre | |
| 100 | 1 | |a Mathivet, Virginie | |
| 245 | 1 | 0 | |a Machine Learning : |b Implementar en Python con Scikit-learn / |c Virginie Mathivet |
| 260 | |a Barcelona : |b Ediciones ENI, |c 2024. | ||
| 300 | |a 338 pages | ||
| 336 | |a text |b txt |2 rdacontent/fre | ||
| 337 | |a computer |b c |2 rdamedia/fre | ||
| 338 | |a online resource |b cr |2 rdacarrier/fre | ||
| 490 | 0 | |a EXPERT IT | |
| 500 | |a Edición del 1 November 2024 | ||
| 506 | |a Acceso restringido a miembros | ||
| 520 | 0 | |a Este libro introduce a aquellos que no son Data Scientists (científicos de datos), ni tienen conocimientos particulares de matemáticas, en la metodología de Machine Learning (Aprendizaje Automático), sus conceptos, sus principales algoritmos y la implementación de estos en Python usando Scikit-learn. Comienza con una presentación del Machine Learning y, a continuación, del método CRISP, sobre el que se aborda cada fase y sus diversas etapas. Los primeros capítulos tratan sobre el Business Understanding (conocimiento del negocio), la Data Understanding (compresión de los datos) y la Data Preparation (preparación de los datos). Estos capítulos presentan los análisis estadísticos de los conjuntos de datos (datasets) tanto en forma numérica como gráfica, así como las principales técnicas utilizadas para preparar los datos, su función y consejos sobre cómo utilizarlas. A continuación, se dedican varios capítulos a cada tarea de Machine Learning: la clasificación, la regresión (con el caso especial de la predicción), el clustering (agrupación) y, de forma más general, el aprendizaje no supervisado. Para cada tarea presentada, se detallan sucesivamente los criterios de evaluación, los conceptos en los que se basan los principales algoritmos y su implementación usando Scikit-learn. Para ilustrar los distintos capítulos, las técnicas y algoritmos presentados se aplican a conjuntos de datos de uso frecuente: Iris (clasificar flores), Boston (prever el precio de venta de pisos) y Titanic (definir la probabilidad de supervivencia de los pasajeros de un barco). El código Python está comentado y puede descargarse (en forma de cuadernos Jupyter) a partir del sitio web www.ediciones-eni.com. | |
| 588 | 0 | |a Source de la note de description : Version imprimée | |
| 653 | |a Aprendizaje Automático | ||
| 653 | |a CRISP – dataset – conjunto de datos – AI | ||
| 653 | |a IA | ||
| 653 | |a ML | ||
| 653 | |a Python | ||
| 653 | |a Scikit | ||
| 653 | |a learn | ||
| 653 | |a Machine Learning | ||
| 710 | 2 | |a ENI Biblioteca Online (Servicio en linea) | |
| 776 | 0 | |z 9782409047282 |i versión impresa | |
| 856 | 4 | 0 | |u https://eni.unach.elogim.com/cs/unach/?library_guid=CDE5C21C-6A74-49EA-A71C-481BCF111EE3 |z Acceso a través de ENI. |