Tapa blanda

Español

Almenara / Bokeh

Garceta Grupo Editorial

Ibergarceta Publicaciones S.l.

Ra-Ma, Editorial

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 se combinan 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. El aprendizaje automático utiliza dos tipos de técnicas: ò el aprendizaje supervisado, que entrena a un modelo con datos conocidos de entrada y salida para que pueda predecir resultados futuros, y ò el aprendizaje no supervisado, que encuentra patrones ocultos o estructuras intrínsecas en los datos de entrada. Este libro desarrolla la mayoría de las técnicas de aprendizaje no supervisado. Comienza profundizando en las técnicas de reducción de la dimensión, como el análisis de componentes principales y el análisis factorial cuya finalidad es eliminar los efectos nocivos de la correlaci

Ciencia de datos a través de python. Técnicas de aprendizaje no supervisado

´Técnicas de muestreo estadístico presenta las técnicas de muestreo en su doble faceta teórica y práctica. . ´El libro comienza presentando las herramientas básicas en muestreo estadístico explicando de forma concreta su utilización.. ´Presenta gran canti

Técnicas de muestreo estadístico. 82 ejercicios desarrollados

CIENCIA DE DATOS CON PYTHON. aprendizaje supervisado regresion

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 se combinan 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. El aprendizaje automático utiliza dos tipos de técnicas: el aprendizaje supervisado, que entrena a un modelo con datos conocidos de entrada y salida para que pueda predecir resultados futuros, y el aprendizaje no supervisado, que encuentra patrones ocultos o estructuras intrínsecas en los datos de entrada. El aprendizaje supervisado utiliza técnicas de clasificación y regresión basadas en modelos predictivos, según la naturaleza de la variable dependiente. Si esta es categórica estamos ante las técnicas predictivas de clasificación y si es cuantitativa estamos antes las técnicas predi

Ciencia de datos a través de python

El diseño de los modelos de inteligencia artificial se realiza a través de tres pilares esenciales: Aprendizaje Automático, Aprendizaje Profundo y Ciencia de Datos. Utilizando MATLAB, ingenieros y otros expertos han desplegado gran variedad de aplicaciones de aprendizaje automático que generan automáticamente funcionalidades a partir de datos de entrenamiento y optimizan modelos de todo tipo. El aprendizaje profundo es un subconjunto del aprendizaje automático basado en redes neuronales artificiales. El proceso de este aprendizaje se denomina profundo porque la estructura de estas redes consiste en tener múltiples entradas, salidas y capas ocultas. Cada capa contiene unidades que transforman los datos de entrada en información y, de este modo, la capa siguiente puede utilizarla para una determinada tarea predictiva. De este modo, una máquina puede aprender a través de su propio procesamiento de datos. MATLAB reduce significativamente el tiempo necesario para preprocesar y etiquetar conjuntos de datos con aplicaciones específicas de dominio para datos de audio, vídeo, imagen y texto. Sincroniza series tempor

Herramientas de inteligencia artificial. Aprendizaje profundo y redes neuronales

César Pérez (Vueltas, Villa Clara, 1973) es poeta, dramaturgo, traductor y novelista inédito. Estudió periodismo en la Universidad de La Habana y maestrías en literaturas hispánicas en University of Iowa y Harvard University, donde se especializó en literatura medieval. Desde 2004 reside en Boston, Massachusetts. Ha publicado poemas, cuentos y artículos en revistas de varios países, pero La capital del sol es su primer libro.

La capital del sol. Tragicomedia en tres actos

Utilizando técnicas modernas, como la minería de datos, el modelado estadístico y el aprendizaje automático, los modelos predictivos ayudan a los analistas a realizar previsiones futuras sobre variables de interés como suelen ser ventas, ingresos, gastos, etc. También suelen utilizarse para pronosticar probabilidades de fraude, riesgo, devolución de créditos y siniestro en el seguro. Entre los modelos predictivos más interesantes se encuentran las redes neuronales. MATLAB implementa la herramienta Neural Network Toolbox (Deep Learning Toolbox a partir de la versión 18) especializada en las técnicas de analítica basadas en redes neuronales. Esta caja de herramientas proporciona algoritmos, funciones y aplicaciones para crear, entrenar, visualizar y simular redes neuronales. Puede realizar tareas de clasificación, regresión, agrupación, reducción dimensional, previsión de series temporales y modelado y control de sistemas dinámicos. La caja de herramientas incluye algoritmos de aprendizaje profundo de redes neuronales convolucionales y autocodificadores para tareas de clasificación de imágenes y reconocimient

Ciencia de datos a través de python. Técnicas de aprendizaje no supervisado (2024)

Técnicas de muestreo estadístico. 82 ejercicios desarrollados (2009)

CIENCIA DE DATOS CON PYTHON. aprendizaje supervisado regresion (2026)

Ciencia de datos a través de python (2024)

Herramientas de inteligencia artificial. Aprendizaje profundo y redes neuronales (2024)

La capital del sol. Tragicomedia en tres actos (2024)

Redes neuronales y aplicaciones. Ajuste de funciones, clúster, patrones y series temporales. Ejemplos con matlab (2024)

Big data (2022)

Muestreo estadistico a través de ejemplos. Aplicaciones con excel, spss, sas y stata (2017)

Econometría avanzada: Técnicas y herramientas (2011)

Macromedia dreamweaver MX 2004

Data mining+CD-rom

Sql server 2005 +CD

Macromedia coldfusion MX+CD (2003)