Descripción
MACHINE LEARNING - IMPLEMENTAR EN PYTHON CON SCIKIT-LEARN
Resumen del libro
Este libro ofrece una introducción práctica y accesible al Machine Learning, dirigida a profesionales sin formación previa como Data Scientists ni conocimientos matemáticos avanzados. La obra guía al lector a través de la metodología completa del aprendizaje automático, desde la comprensión del negocio y la preparación de datos hasta la implementación de algoritmos clave con Python y Scikit-learn. Con ejemplos reales sobre conjuntos de datos clásicos como Iris, Boston y Titanic, el lector aprenderá a clasificar, predecir y agrupar datos, adquiriendo las habilidades fundamentales para iniciarse en el análisis predictivo.
¿De qué trata?
El libro comienza presentando los fundamentos del Aprendizaje Automático y el método CRISP, detallando cada fase del proceso: entender el negocio, entender los datos y prepararlos. A continuación, se centra en el análisis estadístico de conjuntos de datos, tanto numérico como gráfico, y en las técnicas esenciales para la preparación de datos, explicando su función y ofreciendo consejos prácticos.
Posteriormente, dedica capítulos específicos a las principales tareas de Machine Learning: clasificación, regresión (con el caso especial de predicción), clustering y aprendizaje no supervisado. Para cada tarea, se detallan los criterios de evaluación, los conceptos subyacentes de los algoritmos principales y su implementación paso a paso usando Scikit-learn. Todos los ejemplos se ilustran con conjuntos de datos reales: Iris para clasificar flores, Boston para prever precios de viviendas y Titanic para estimar probabilidades de supervivencia. El código Python, completamente comentado, está disponible para descargar en formato Jupyter Notebook.
Temas principales
- Metodología CRISP para proyectos de Machine Learning
- Análisis estadístico y visualización de datos
- Técnicas de preparación y limpieza de datos
- Algoritmos de clasificación y regresión
- Predicción y evaluación de modelos
- Clustering y aprendizaje no supervisado
- Implementación práctica con Scikit-learn en Python
¿Para quién está recomendado?
Este libro está dirigido a desarrolladores, analistas, estudiantes y profesionales del ámbito técnico que deseen iniciarse en el Machine Learning sin necesidad de una base matemática sólida. Es ideal para quienes buscan un enfoque práctico y aplicado, con ejemplos reales y código listo para usar, y para aquellos que quieren comprender el proceso completo de un proyecto de aprendizaje automático, desde los datos hasta la implementación de algoritmos.
Qué aporta este libro
- Una metodología clara y estructurada para abordar proyectos de Machine Learning desde cero.
- Conocimientos prácticos para analizar, preparar y transformar datos de forma efectiva.
- Implementación real de los principales algoritmos de clasificación, regresión y clustering con Scikit-learn.
- Ejemplos comentados y descargables en Jupyter Notebook que facilitan la experimentación y el aprendizaje autónomo.
- Capacidad para evaluar y comparar modelos predictivos utilizando criterios objetivos.
Ficha técnica
- Autor: VIRGINIE MATHIVET
- Editorial: EDICIONES ENI
- Idioma: Español
- Tema: INFORMATICA: CUESTIONES GENERALES
- Colección: EXPERT IT
- Encuadernación: Bolsillo
- Fecha de edición: noviembre de 2024
- Número de páginas: 338
- Peso: 965 g
Valoración editorial
Este manual destaca por su enfoque didáctico y accesible, ideal para quienes se enfrentan por primera vez al Machine Learning. La autora logra combinar teoría fundamental con práctica inmediata, utilizando ejemplos clásicos que facilitan la comprensión de conceptos complejos. La inclusión de código comentado y descargable añade un valor práctico significativo, permitiendo al lector experimentar y afianzar lo aprendido. Es una obra recomendada para cualquier profesional que desee dar sus primeros pasos en el análisis predictivo con Python de manera sólida y estructurada.