Descripción
Descubrir conocimiento a partir de grandes datos multivariados, registrados diariamente, requiere técnicas especializadas de aprendizaje automático.
Este libro presenta una guía práctica y fácil de usar en R para calcular los métodos de aprendizaje automático más populares para explorar conjuntos de datos reales, así como para construir modelos predictivos.
Las partes principales del libro incluyen: A) Métodos de aprendizaje no supervisado, para explorar y descubrir conocimiento a partir de un gran conjunto de datos multivariados utilizando métodos de agrupamiento y de componentes principales. Aprenderá métodos de agrupamiento jerárquico, k-medias, análisis de componentes principales y análisis de correspondencias. B) Análisis de regresión, para predecir un valor de resultado cuantitativo utilizando estrategias de regresión lineal y no lineal. C) Técnicas de clasificación, para predecir un valor de resultado cualitativo utilizando regresión logística, análisis discriminante, clasificador naive bayes y máquinas de vectores de soporte. D) Métodos avanzados de aprendizaje automático, para construir modelos robustos de regresión y clasificación utilizando métodos de k-vecinos más cercanos, modelos de árboles de decisión, métodos de conjunto (bagging, random forest y boosting). E) Métodos de selección de modelos, para seleccionar automáticamente la mejor combinación de variables predictoras para construir un modelo predictivo óptimo. Estos incluyen métodos de selección de subconjuntos óptimos, regresión paso a paso y regresión penalizada (modelos de regresión ridge, lasso y elastic net). También presentamos métodos de regresión basados en componentes principales, que son útiles cuando los datos contienen múltiples variables predictoras correlacionadas. F) Técnicas de validación y evaluación de modelos para medir el rendimiento de un modelo predictivo. G) Diagnósticos de modelos para detectar y solucionar problemas potenciales en un modelo predictivo. El libro presenta los principios básicos de estas tareas y proporciona muchos ejemplos en R. Este libro ofrece una sólida guía en minería de datos para estudiantes e investigadores.
Características clave:
Autor: Alboukadel Kassambara
Editorial: Createspace Independent Publishing Platform
Publicado: 03/10/2018
Páginas: 210
Tipo de encuadernación: Tapa blanda
Peso: 1.29lbs
Tamaño: 10.00h x 7.99w x 0.55d
ISBN13: 9781986406857
ISBN10: 1986406857
Categorías BISAC:
- Informática | Ciencia de Datos | General
Este libro presenta una guía práctica y fácil de usar en R para calcular los métodos de aprendizaje automático más populares para explorar conjuntos de datos reales, así como para construir modelos predictivos.
Las partes principales del libro incluyen: A) Métodos de aprendizaje no supervisado, para explorar y descubrir conocimiento a partir de un gran conjunto de datos multivariados utilizando métodos de agrupamiento y de componentes principales. Aprenderá métodos de agrupamiento jerárquico, k-medias, análisis de componentes principales y análisis de correspondencias. B) Análisis de regresión, para predecir un valor de resultado cuantitativo utilizando estrategias de regresión lineal y no lineal. C) Técnicas de clasificación, para predecir un valor de resultado cualitativo utilizando regresión logística, análisis discriminante, clasificador naive bayes y máquinas de vectores de soporte. D) Métodos avanzados de aprendizaje automático, para construir modelos robustos de regresión y clasificación utilizando métodos de k-vecinos más cercanos, modelos de árboles de decisión, métodos de conjunto (bagging, random forest y boosting). E) Métodos de selección de modelos, para seleccionar automáticamente la mejor combinación de variables predictoras para construir un modelo predictivo óptimo. Estos incluyen métodos de selección de subconjuntos óptimos, regresión paso a paso y regresión penalizada (modelos de regresión ridge, lasso y elastic net). También presentamos métodos de regresión basados en componentes principales, que son útiles cuando los datos contienen múltiples variables predictoras correlacionadas. F) Técnicas de validación y evaluación de modelos para medir el rendimiento de un modelo predictivo. G) Diagnósticos de modelos para detectar y solucionar problemas potenciales en un modelo predictivo. El libro presenta los principios básicos de estas tareas y proporciona muchos ejemplos en R. Este libro ofrece una sólida guía en minería de datos para estudiantes e investigadores.
Características clave:
- Cubre el algoritmo de aprendizaje automático y su implementación
- Se presentan conceptos matemáticos clave
- Capítulos cortos e independientes con ejemplos prácticos.
Autor: Alboukadel Kassambara
Editorial: Createspace Independent Publishing Platform
Publicado: 03/10/2018
Páginas: 210
Tipo de encuadernación: Tapa blanda
Peso: 1.29lbs
Tamaño: 10.00h x 7.99w x 0.55d
ISBN13: 9781986406857
ISBN10: 1986406857
Categorías BISAC:
- Informática | Ciencia de Datos | General
Este título no es retornable