Descripción
Big data, machine learning y data science en python
Resumen del libro
Este libro ofrece una guía teórico-práctica para profesionales que trabajan con Big Data y desean dominar Python en el ámbito del machine learning y la ciencia de datos. A través de un enfoque aplicado, el lector aprenderá a construir modelos de machine learning, desde la adquisición y transformación de datos hasta la selección de algoritmos. Se exploran librerías esenciales como scikit-learn y PySpark, y se profundiza en técnicas como los sistemas de recomendación. El contenido se complementa con ejemplos descargables y ejercicios prácticos que facilitan la asimilación de los conceptos más complejos.
¿De qué trata?
La obra aborda el ciclo completo de un proyecto de datos, comenzando con la identificación de las características de una solución Big Data y la infraestructura necesaria. A continuación, introduce los fundamentos de la ciencia de datos y el machine learning, detallando las principales librerías de Python para su aplicación. El núcleo del libro se centra en el proceso de construcción de un modelo de machine learning: adquisición de datos, generación de funciones (feature engineering) y selección del modelo más adecuado. Se presentan los algoritmos más relevantes para problemas de clasificación, regresión y agrupamiento, utilizando scikit-learn como herramienta principal. Además, se introduce PySpark para el procesamiento de grandes volúmenes de datos mediante técnicas map-reduce, y se dedica un espacio a los sistemas de recomendación basados en contenido. Todo ello se refuerza con la ejecución de scripts desde la consola de Python y material descargable para la práctica.
Temas principales
- Fundamentos de ciencia de datos y machine learning.
- Principales librerías de Python para análisis de datos y machine learning.
- Proceso completo de construcción de un modelo: adquisición, transformación y selección.
- Algoritmos de machine learning supervisados y no supervisados.
- Uso de scikit-learn para la implementación de modelos.
- Procesamiento de Big Data con PySpark y map-reduce.
- Sistemas de recomendación basados en contenido.
¿Para quién está recomendado?
Está dirigido a profesionales y estudiantes del ámbito de la tecnología y el análisis de datos que ya trabajan o desean iniciarse en proyectos de Big Data. Es especialmente útil para analistas de datos, científicos de datos, ingenieros de datos y desarrolladores que busquen una perspectiva práctica y estructurada para aplicar machine learning con Python en entornos de gran volumen de datos. Se requiere una familiaridad básica con la programación en Python para aprovechar al máximo los contenidos prácticos.
Qué aporta este libro
- Un recorrido completo desde los conceptos teóricos del Big Data hasta la implementación práctica con Python.
- Dominio de herramientas clave como scikit-learn y PySpark para resolver problemas reales de machine learning.
- Material adicional descargable con ejemplos y ejercicios para afianzar el aprendizaje mediante la práctica.
- Capacidad para diseñar y evaluar modelos de machine learning, incluyendo sistemas de recomendación.
Ficha técnica
- Autor: ORTEGA CANDEL, JOSE MANUEL
- Editorial: RA-MA S.A. Editorial y Publicaciones
- Idioma: Español
- Tema: ANALISIS DE DATOS: GENERAL
- Colección: RAMA
- Encuadernación: Bolsillo
- Fecha de edición: enero de 2023
- Número de páginas: 408
- Peso: 1009 g
Valoración editorial
Este manual destaca por su enfoque equilibrado entre teoría y práctica, ofreciendo al lector una hoja de ruta clara para adentrarse en el machine learning aplicado al Big Data con Python. La inclusión de PySpark y scikit-learn, junto con el material descargable, lo convierten en un recurso valioso tanto para el autoaprendizaje como para la consulta en proyectos profesionales. Su estructura progresiva permite avanzar desde los fundamentos hasta técnicas más avanzadas, como los sistemas de recomendación, lo que lo hace adecuado para quienes buscan una formación integral y aplicada en ciencia de datos.