Aprendizaje automático con R: Con series temporales y casos de uso basados en la industria en R

Capítulo 1: Introducción al aprendizaje automáticoObjetivo del capítulo: Este capítulo aborda las preguntas de qué, por qué, dónde y cómo, que suelen hacer muchos principiantes en el aprendizaje automático. Las respuestas establecerán el impulso y la dirección de los capítulos siguientes. Número de páginas: 25Subtemas1. ¿Qué aprende realmente una máquina?2. ¿Por qué es tan popular el aprendizaje automático?3. ¿Dónde usamos el aprendizaje automático?4. ¿Cómo está cambiando el aprendizaje automático nuestra forma de vida?5. Herramientas y software de aprendizaje automático6. Aprendizaje automático usando R
Capítulo 2: Exploración y preparación de datosObjetivo del capítulo: La base para construir un buen modelo de aprendizaje automático es tener una comprensión clara y una buena preparación de los datos. Este capítulo explicará las formas de explorar los datos para comprenderlos y cómo lidiar con las inconsistencias presentes en los datos. Número de páginas: 50Subtemas1. Varios formatos de datos2. Estadísticas de resumen3. Valores faltantes4. Imputación de datos5. Transformación de datos no estructurados
Capítulo 3: Técnicas de muestreo y remuestreoObjetivo del capítulo: En muchos conjuntos de datos del mundo real, el mayor desafío es el volumen de los datos. Este volumen hace que las limitaciones computacionales sean más evidentes para construir los modelos de aprendizaje automático. Para reducir la necesidad de potencia computacional y al mismo tiempo no comprometer la eficacia del modelo, este capítulo explica algunas técnicas de muestreo para seleccionar un conjunto de datos más pequeño del conjunto de datos más grande. También exploraremos la idea del remuestreo, que aumenta la precisión de muchos modelos de aprendizaje automático.Número de páginas: 50Subtemas: 1. Muestreo aleatorio simple2. Muestreo sistemático3. Muestreo estratificado4. Muestreo por conglomerados5. Muestreo bootstrap
Capítulo 4: Visualización de datosObjetivo del capítulo: La visualización es una herramienta poderosa para ver cosas en nuestros datos que podrían no ser muy evidentes cuando se realiza una exploración manual. Este capítulo explicará algunos de los gráficos y diagramas comúnmente utilizados para ver visualmente conocimientos atractivos que surgen de nuestros datos. Número de páginas: 50Subtemas: 1. Diagrama de dispersión, histograma y diagrama de caja2. Mapas de calor y gráficos de cascada3. Dendrograma para la agrupación4. Gráfico de burbujas y nube de palabras5. Diagramas de Sankey6. Gráficos de series temporales7. Diagrama de cohortes
Capítulo 5: Ingeniería de características Objetivo del capítulo: Otro desafío en los conjuntos de datos del mundo real es la cantidad de características que contiene. Puede haber cientos de características en un conjunto de datos, pero no todas son útiles para construir nuestro modelo. Por lo tanto, para seleccionar las características que explican nuestro conjunto de datos más que las otras características, y por lo tanto dan un resultado más preciso, tenemos ciertas técnicas bien probadas derivadas de las estadísticas. La ingeniería de características se ha convertido ahora en un paso ineludible en nuestro proceso de construcción de modelos de aprendizaje automático.Número de páginas: 40Subtemas: 1. Clasificación de características2. Selección de subconjuntos de variables 3. Reducción de dimensionalidad
Capítulo 6: Modelos de aprendizaje automático: teoría y prácticaObjetivo del capítulo: Este capítulo es el núcleo de este libro. Después de que tuvimos una comprensión justa de nuestros datos y realizamos la ingeniería de características, ahora es el momento de construir algunos modelos de aprendizaje automático realmente potentes. Este capítulo enumera todos los algoritmos de ML bajo un mismo encabezado. Se establecerá una demarcación clara para explicar cómo cada uno de estos algoritmos de ML es diferente entre sí y qué algoritmo se adapta a los casos de uso dados.

Autor: Karthik Ramasubramanian, Abhishek Singh
Editorial: Apress
Publicado: 13/12/2018
Páginas: 700
Tipo de encuadernación: Tapa blanda
Peso: 2.73 libras
Tamaño: 10.00h x 7.00w x 1.45d
ISBN13: 9781484242148
ISBN10: 1484242149
Categorías BISAC:
- Informática | Informática
- Informática | Programación | Código abierto
- Informática | Idiomas | General

Acerca del autor

Karthik Ramasubramanian tiene más de siete años de experiencia liderando ciencia de datos y análisis de negocios en el comercio minorista, bienes de consumo masivo, comercio electrónico, tecnología de la información y hotelería para empresas multinacionales y startups unicornio. Es un investigador y solucionador de problemas con una diversa experiencia en el ciclo de vida de la ciencia de datos, desde el descubrimiento de un problema de datos hasta la creación de PoCs de ciencia de datos y productos para varios casos de uso de la industria. En sus roles de liderazgo, ha sido fundamental para resolver muchos problemas de negocios impulsados por el ROI a través de soluciones de ciencia de datos. Ha sido mentor y ha capacitado a cientos de profesionales y estudiantes en todo el mundo a través de varias plataformas en línea y programas de participación universitaria en ciencia de datos.

Ha diseñado, desarrollado y encabezado muchos marcos de experimentos A/B para mejorar las características del producto, conceptualizó el análisis de embudo para comprender las interacciones del usuario e identificar los puntos de fricción dentro de un producto, y diseñó métricas estadísticamente sólidas. En el lado predictivo, ha desarrollado chatbots inteligentes basados en modelos de aprendizaje profundo que comprenden interacciones similares a las humanas, modelos de segmentación de clientes, sistemas de recomendación y muchos modelos de procesamiento de lenguaje natural.

Sus áreas de interés actuales incluyen el desarrollo de productos de datos impulsados por el ROI, algoritmos avanzados de aprendizaje automático, marcos de productos de datos, Internet de las cosas (IoT), plataformas de datos escalables y marcos de implementación de modelos.

Karthik completó su Maestría (Ciencias de la Computación Teórica) en el PSG College of Technology, Coimbatore (afiliado a la Anna University, Chennai), donde fue pionero en la aplicación del aprendizaje automático, la minería de datos y la lógica difusa en su trabajo de investigación sobre seguridad informática y de redes.

Abhishek Singh tiene la misión de profesar el lenguaje de facto de este milenio, los números. Está en un viaje para acercar la máquina al ser humano, para un mundo mejor y más hermoso a nuestro alrededor, generando oportunidades con inteligencia artificial y aprendizaje automático. Lidera un equipo de profesionales de la ciencia de datos que están resolviendo problemas apremiantes en seguridad alimentaria, ciberseguridad, desastres naturales, atención médica y muchas más áreas, todo con la ayuda de datos y tecnología. Abhishek está en el proceso de llevar dispositivos IoT inteligentes a ciudades más pequeñas de la India para que las personas aprovechen la tecnología para mejorar sus vidas.

Ha trabajado con colegas de muchas partes de EE. UU., Europa y Asia, y se esfuerza por trabajar con más personas de diversos orígenes. En un lapso de seis años en grandes corporaciones, ha probado los activos de los bancos de EE. UU., resuelto modelos de precios de seguros y facilitado la experiencia de telecomunicaciones para los clientes, y ahora está creando oportunidades de ciencia de datos con su equipo de jóvenes mentes.

Participa activamente en el liderazgo de opinión relacionado con el análisis, la escritura, el oratoria, las reuniones y la capacitación en ciencia de datos. Es un firme defensor del uso responsable de la IA para eliminar sesgos y un uso justo para una sociedad mejor.

Abhishek completó su MBA en el IIM Bangalore, su B.Tech. (Matemáticas e Informática) en el IIT Guwahati y su Diploma de Posgrado (Derecho Cibernético) en la Universidad NALSAR, Hyderabad.