Tapa blanda

Español

Alhambra

Bubok Publishing

Cesar Perez Lopez

Createspace INDEPENDENT Publishing Platform

Ediciones Mundi-Prensa

Ediciones Paraninfo, S.a

Editorial Pearson

Garceta Grupo Editorial

Ibergarceta Publicaciones S.l.

Ra-Ma S.a. Editorial Y Publicaciones

Scientific Books

Trama Editorial

CIENCIA DE DATOS CON R. REGRESIÓN. APRENDIZAJE SUPERVISADO

CIENCIA DE DATOS CON PYTHON. aprendizaje supervisado regresion

El objetivo de este libro es presentar las técnicas de predicción modernas basadas en el análisis de series temporales. El contenido se dirige a docentes y estudiantes universitarios de todos los niveles que imparten o cursan materias relacionadas con las series temporales o modelos econométricos que tengan relación con las series de tiempo. Asimismo, es útil para los profesionales de la Economía,Ciencias Sociales, Ciencias Experimentales y otras ramas científicas en las que se aplican las técnicas de modelización temporal y la predicción.

Análisis de series temporales. Ejercicios resueltos con r

Este libro tiene como finalidad el tratamiento de las técnicas de análisis multivariante de datos, es decir, del conjunto de métodos estadísticos cuya finalidad es analizar simultáneamente conjuntos de datos con varias variables medidas para cada individuo u objeto estudiado. La disponibilidad de grandes volúmenes de información y el uso generalizado de las herramientas informáticas ha transformado el análisis de datos estableciendo un orden en las técnicas especializadas que se aplican y englobándolas en el proceso de extracción del conocimiento. Estas técnicas persiguen el descubrimiento automático de la información contenida en los datos utilizando metodologías avanzadas de análisis estadístico multivariante. El libro comienza tratando las técnicas de reducción de la dimensión, que permiten simplificar ordenadamente el excesivo número de variables a tratar con la mínima pérdida de información. Si se trata de variables cuantitativas, las técnicas que permiten este tratamiento son el Análisis de Componentes Principales y el Análisis Factorial, y si se trabaja con variables cualitativas, se acudirá a las Ta

Análisis multivariante de datos aplicaciones con r. Aplicaciones con r

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

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

El libro está dirigido tanto a alumnos que siguen un Curso de especialización en Inteligencia Artificial y Big Data como a profesionales del sector.Comienza clasificando los sistemas, herramientas, técnicas y algoritmos o modelos aplicados al Aprendizaje Automático. A continuación, se tratan las técnicas de aprendizaje supervisado, sus fases y plataformas, así como los algoritmos y modelos más importantes. Se desarrollan las técnicas de regresión con sus fases de identificación, estimación, validación (diagnosis) y predicción.Se presentan los métodos especiales de regresión como PLS, LARS, LASSO, ELASTIC NET, RANSAC, THEIL, HUBERT, KERNEL RIDGE REGRESSION (KRR), SUPPORT VECTOR REGRESSION (SVR) y STOCHASTIC GRADIENT DESCENDT (SGD) entre otros.Asimismo, se tratan las técnicas de aprendizaje supervisado enfocadas a la clasificación o segmentación como los Modelos Logit y Probit, los Modelos Lineales Generalizados, los Árboles de Decisión, los Modelos de Análisis Discriminante, los Modelos SVM (Support Vector Machine), lo modelos kNN (Vecino más Cercano) y los Modelos SLRM (Respuesta de Autoaprendizaje).Todas las técnicas citadas anteriormente se ilustran con ejemplos y se resuelven con el software de Machine Learning adecuado, incluyendo Python, R, IBM SPSS Modeler y SAS Enterprise Miner.A continuación se abordan las técnicas de aprendizaje no supervisado como la Reducción de la Dimensión mediante Análisis de Componentes Principales y Análisis Factorial. Entre las técnicas de aprendizaje no supervisado para la clasificación y segmentación se desarrolla el Análisis Clúster tanto jerárquico como no jerárquico, algoritmos de detección de anomalías y Reglas de Asociación. Para todas las técnicas se presentan ejemplos significativos que se resuelven con el software más utilizado en estos casos, como R e IBM SPSS Modeler.Finalmente, se profundiza en los Modelos de Redes Neuronales, tanto para técnicas de aprendizaje supervisado como el ajuste de modelos predictivos (Perceptrón Multicapa y Red de Base Radial) como para técnicas de análisis no supervisado como el análisis clúster (Redes de Kohonen). Se desarrollan también las Redes Neuronales Bayesianas y se introducen las técnicas de Deep Learning y las Redes Neuronales Convolucionales. Se presentan ejemplos totalmente resueltos con software visual como es el caso de IBM SPSS Modeler. Se finaliza con las técnicas de valoración y comparación de modelos.

Sistemas de aprendizaje automatico machine learning

El libro está dirigido tanto a alumnos que siguen un Curso de especialización en Inteligencia Artificial y Big Data como a profesionales del sector.Este texto comienza tratando la aplicación de las técnicas de integración, procesamiento y análisis de la información, con especial énfasis en las técnicas de tratamiento de grandes datos (Big Data) incluyendo los datos estructurados y no estructurados, el procesamiento en tiempo real, los costes y calidad asociados y el modelado, razonamiento y resolución de problemas en grandes datos.A continuación se aborda la Matemática Discreta como parte fundamental para el estudio de las ciencias de la computación. Se ilustran los conceptos con ejemplos y aplicaciones tratados con el software Maple, que posee un lenguaje de programación estructurada específico para la teoría de números, teoría de grafos, teoría de conjuntos, lógica matemática, lógica algorítmica y otras tareas de la Matemática Discreta. Maple admite además la programación funcional.Asimismo, se tratan las técnicas de representación de la información y las estructuras de datos, ya ilustradas anteriormente con Maple y potenciadas con MATLAB. También se presentan las principales librerías de diseño visual para Big data como Tableau, Plotly, C3, NVD3 y especialmente MATLAB. Precisamente con MATLAB, se presenta gran variedad de opciones de visualización de datos. Este software admite el trabajo con grandes datos a través de la herramienta Parallel Computing Toolbox.A continuación se abordan los principales métodos y algoritmos en la Minería de Datos. Se desarrollan ejemplos prácticos para las metodologías SEMMA de SAS y CRISP-DM de IBM, que son las más importantes en el campo del Data Mining. Los paquetes de software visual utilizados son SAS Enterprise Miner e IBM SPSS Modeler.Más adelante se trata la gestión y almacenamiento de datos presentando las tecnologías y herramientas para la importación y la integración de datos. También se introducen los lenguajes de programación de R y Python, dadas sus múltiples aplicaciones en Big Data.Finalmente se profundiza en la aplicación de herramientas para la visualización de datos estructurados y no estructurados como Qlik, Tableau, Power BI, Pentaho, MicroStrategy y otras. Se explica el uso de la inteligencia artificial en el análisis de datos a través de clústers de máquinas y utilizando información distribuida y redundante. Por último, se presentan las tendencias de la visualización de datos.

Sistemas de big data

El objetivo de este libro es la presentación de las técnicas econométricas y su tratamiento con el software STATA, que es una de las herramientas más adecuadas de cálculo automatizado para trabajar en Econometría. El primer bloque de contenido se ocupa del modelo lineal de regresión múltiple y de toda su problemática, incluyendo la detección y tratamiento de la autocorrelación, heteroscedasticidad, multicolinealidad, normalidad residual, linealidad, observaciones influyentes, errores de especificación, exogeneidad y regresores estocásticos. Un segundo bloque aborda el análisis univariante de series temporales a través de la metodología Box Jenkins para modelos ARIMA, el tratamiento de los modelos de intervención y los modelos univariantes de la función de transferencia. Un tercer bloque se ocupa de los modelos del análisis de la varianza y la covarianza simples y múltiples, así como del modelo lineal general y los modelos mixtos. El cuarto bloque de contenido trata los modelos de elección discreta, recuento, censurados, truncados y de selección muestral, haciendo hincapié en los modelos Logit, Probit, Tobit

Econometria a través de stata

La finalidad de este libro es presentar el contenido para un curso de Estadística de nivel inicial-medio, pero a la vez amplio, que sirva de apoyo tanto a estudiantes universitarios como a profesionales que necesitan asentar sus conocimientos en estadística, independientemente de su área de formación (ciencias o letras). El libro puede ser un buen complemento a la formación que reciben los estudiantes en los distintos Grados en los que se cursa la materia. Se comienza tratando los temas más sencillos, como la estadística descriptiva, las variables aleatorias discretas y continuas, las tablas de frecuencias para variables unidimensionales y bidimensionales, las independencia y relación entre variables, las regresión y correlación, las variables cualitativas, las tablas de contingencia y los números índices. Más adelante, y a medida que se avanza en contenido, se tratan temas como las distribuciones de frecuencias, las leyes de probabilidad, funciones de densidad, funciones de distribución, valores críticos y otras características. Por último, se abordan temas estadísticos ya más especializados, como los inte

Estadistica problemas resueltos y aplicaciones a través de r

R es un lenguaje y entorno de programación que, además, proporciona un amplio abanico de herramientas estadísticas y gráficas, enriquecido con la posibilidad de cargar diferentes bibliotecas o paquetes con finalidades específicas de análisis estadístico o gráfico. En este libro se enfoca el uso de R desde una óptica eminentemente aplicada. En un primer bloque de contenido se explica el trabajo en el entorno de R desde un nivel básico, con la idea de ayudar a todos aquellos usuarios que deseen introducirse en el programa de modo ordenado. A continuación se presentan, de modo secuenciado, los elementos del lenguaje de programación de R (operadores, variables, funciones, vectores, matrices, arrays, secuencias, tablas, listas, marcos de datos, series de tiempo, entrada-salida y otros elementos de componen la estructura del lenguaje de R). Este bloque se completa con la estructura de la programación de R (control de flujo, bucles, condicionales, etc.) y su aplicación a los algoritmos de cálculo numérico para trabajar en cálculo diferencial, cálculo integral, variable compleja y otros campos del cálculo científico. En un segundo bloque de contenido se desarrollan las capacidades gráfias de R para trabajar con curvas y superficies en los diferentes sistemas de coordenadas (explícitas, paramétricas, polares, etc.) Asimismo, se presenta en profundidad el trabajo con R en análisis exploratorio de datos y en estadístia descriptiva. En un tercer bloque de contenido se desarrolla el trabajo con R en Econometría, tratándose ampliamente el modelo lineal de regresión múltiple,los modelos lineales generalizados, los modelos del análisis de la varianza y la covarianza, los modelos logit y probit, modelos de diseño de experimentos y toda la problemática de estimación y diagnosis de los mismos. Finalmente, se desarrolla el análisis multivariante de datos, incluyendo las técnicas de reducción de la dimensión, y las técnicas de clasificación como son el análisis de componentes principales, análisis factorial y análisis clúster. CONTENIDO 1. Introducción a R. Instalación y entorno de trabajo. 2. Primeros pasos en R. El entorno de trabajo de R Studio. 3. El lenguaje R. Números, operadores, variables y funciones reales. 4. Secuencias, arrays, tablas, listas y marcos de datos. 5. Funciones. 6. Estructuras de programación y aplicaciones al cálculo numérico. 7. El lenguaje R. Variable compleja. 8. Gráficos en R. Curvas y superficies. 9. Gráficos exploratorios de datos. 10. Estadística descriptiva a través de R. 11. Modelos de regresión a través de R. 12. Modelos de análisis de la varianza a través de R. 13. Análisis en componentes principales y análisis factorial a través de R. 14. Análisis clúster a través de R.

R lenguaje de programación y analisis estadistico de datos

Big data analytics con herramientas de sas, ibm, oracle y microsoft

Ibm spss estadística aplicada. Conceptos y ejercicios resueltos

Las técnicas estadísticas predictivas, base de la econometría, especifican el modelo para los datos de acuerdo a un conocimiento teórico previo recogido en la teoría económica, médica, biológica, farmacológica, epidemiológica, ingeniería o de la materia de la que se trate. Una vez identificado el modelo teórico, se procede a su estimación debiendo ser posteriormente contrastado antes de aceptarlo como válido. Finalmente ya puede utilizarse el modelo para predecir. Tenemos así las cuatro fases típicas de la modelización predictiva: identificación, estimación, diagnosis y predicción. Podemos incluir entre las técnicas predictivas todos los tipos de regresión lineal y no lineal, series temporales, análisis de la varianza y la covarianza, modelos de diseño de experimentos, análisis discriminante, árboles de decisión y redes neuronales.  Pero, tanto los árboles de decisión, como las redes neuronales y el análisis discriminante son a su vez técnicas de clasificación que pueden extraer perfiles de comportamiento o clases, siendo el objetivo construir un modelo que permita clasificar cualquier nuevo dato. Los árboles de decisión permiten clasificar los datos en grupos basados en los valores de las variables. El mecanismo de base consiste en elegir un atributo como raíz y desarrollar el árbol según las variables más significativas. De esta forma se puede realizar en cierto modo perfilado y segmentación de datos.  Este libro desarrolla prácticamente todas las técnicas estadísticas predictivas ilustrándolas con ejemplos prácticos resueltos con el software IBM SPSS. Al final de cada capítulo se presentan una serie de ejercicios secuenciados en orden de dificultan que permiten afianzar los conocimientos adquiridos.

Técnicas estadísticas predictivas con ibm spss. Modelos

´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

MATLAB cuenta con la herramienta Deep Learning Toolbox que proporciona algoritmos, funciones y aplicaciones para crear, entrenar, visualizar y simular redes neuronales. Puede realizar clasificación, regresión, agrupamiento, reducción de dimensionalidad, pronóstico de series temporales y modelado y control de sistemas dinámicos. Las redes neuronales dinámicas son adecuadas para la predicción de series temporales. Puede utilizar la app Neural Net Time Series para resolver diferentes tipos de problemas de series temporales. Generalmente es mejor comenzar con la GUI y luego usarla para generar automáticamente scripts de línea de comandos. Antes de utilizar cualquiera de los métodos, el primer paso es definir el problema seleccionando un conjunto de datos. Cada GUI tiene acceso a muchos conjuntos de datos de muestra que puede utilizar para experimentar con la caja de herramientas. Si tiene un problema específico que desea resolver, puede cargar sus propios datos en el espacio de trabajo. Con MATLAB es posible resolver tres tipos diferentes de problemas de series temporales. En el primer tipo de problema de series de tiempo, se busca predecir valores futuros de una serie de tiempo y(t) a partir de valores pasados de esa serie de tiempo y valores pasados de una segunda serie de tiempo x(t). Esta forma de predicción se denomina red autorregresiva no lineal con entrada exógena (externa), o NARX. En el segundo tipo de problema de series temporales, sólo hay una serie involucrada. Los valores futuros de una serie temporal y(t) se predicen sólo a partir de valores pasados de esa serie. Esta forma de predicción se llama autorregresiva no lineal o NAR. El tercer problema de series de tiempo es similar al primer tipo, en el sentido de que están involucradas dos series, una serie de entrada (predictores) x(t) y una serie de salida (respuestas) y(t). Este libro desarrolla los métodos de predicción con series temporales a través de redes neuronales con MATLAB.

Análisis de series temporales mediante redes neuronales. Ejemplos con matlab

Machine Learning utiliza dos tipos de técnicas: aprendizaje supervisado, que entrena modelos sobre datos de entrada y salida conocidos para poder predecir resultados futuros, y aprendizaje no supervisado, que encuentra patrones ocultos o estructuras intrínsecas en los datos de entrada. El objetivo del aprendizaje automático supervisado es construir un modelo que haga predicciones basadas en evidencias en presencia de incertidumbre. Entre las técnicas de aprendizaje supervisado destacan los modelos no lineales, que no asumen una relación lineal entre las variables de entrada y la variable de salida. En este libro se desarrollan técnicas de Machine Learning de aprendizaje supervisado relativas a modelos no lineales. El contenido comienza profundizando en los modelos no lineales de regresión múltiple con toda su problemática de identificación, estimación y diagnosis. Se hace hincapié en los modelos de ecuaciones simultáneas no lineales. También se tratan los modelos de regresión particionada y segmentada. A continuación, se aborda la familia de los modelos lineales generalizados y todas las tipologías de model

Machine learning. Tecnicas de aprendizaje supervisado. Modelos no lineales. Ejercicios resueltos con r, sas, stata, eviews, spss y statgraphics

Este libro tiene como objetivo básico proporcionar al estudiante universitario, investigador, profesor, ingeniero y cualquier tipo de profesional que desarrolle su actividad en los departamentos de calidad de las empresas, un marco teórico y práctico de aplicación de las técnicas del control estadístico de la calidad, haciendo hincapié en las técnicas automatizadas a travé de Excel.

Control de calidad a través excel

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 CON R. REGRESIÓN. APRENDIZAJE SUPERVISADO (2026)

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

Análisis de series temporales. Ejercicios resueltos con r (2021)

Análisis multivariante de datos aplicaciones con r. Aplicaciones con r (2024)

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

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

Sistemas de aprendizaje automatico machine learning (2022)

Sistemas de big data (2022)

Econometria a través de stata (2021)

Estadistica problemas resueltos y aplicaciones a través de r (2021)

R lenguaje de programación y analisis estadistico de datos (2015)

Big data analytics con herramientas de sas, ibm, oracle y microsoft (2015)

Ibm spss estadística aplicada. Conceptos y ejercicios resueltos (2013)

Técnicas estadísticas predictivas con ibm spss. Modelos (2014)

Técnicas de muestreo estadístico. 82 ejercicios desarrollados (2009)

Análisis de series temporales mediante redes neuronales. Ejemplos con matlab

Machine learning. Tecnicas de aprendizaje supervisado. Modelos no lineales. Ejercicios resueltos con r, sas, stata, eviews, spss y statgraphics (2025)

Control de calidad a través excel (2020)

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

Big data (2022)

Programacion de inteligencia artificial (2022)

Econometria de datos de panel. Teoría y práctica (2019)

Tecnicas de evaluación de impacto (2015)

Tecnicas avanzadas de prediccion (2016)