Shmueli, Galit 1971-
Data mining for business analytics : concepts, techniques and applications in Python - xxix, 574 páginas : gráficos ; 26x18 cm.
Preliminares. Parte 1.- Preliminaries. Introducción Capítulo 1.- Introduction. Descripción general del proceso de minería de datos. Capítulo 2.- Overview of the data mining process. Exploración de datos y reducción de dimensiones. Parte 2.- Data exploration and dimension reduction. Visualización de datos. Capítulo 3.- Data visualization. Reducción de la dimensión. Capítulo 4.- Dimension reduction. Evaluación del desempeño. Parte 3.- Performance evaluation. Evaluación del desempeño predictivo. Capítulo 5.- Evaluating predictive performance. Métodos de predicción y clasificación. Parte 4.- Prediction and classification methods. Regresión lineal múltiple. Capítulo 6.- Multiple linear regression. K vecinas más cercanas (kNN). Capítulo 7.- k-nearest neighbors (kNN). La clasificadora ingenua de Bayes. Capítulo 8.- The naive Bayes classifier. Árboles de clasificación y regresión. Capítulo 9.- Classification and regression trees. Regresión logística. Capítulo 10.- Logistic regression. Redes neuronales. Capítulo 11.- Neural nets. Análisis discriminante. Capítulo 12.- Discriminant analysis. Métodos combinados: conjuntos y modelado de levantamiento. Capítulo 13.- Combining methods : ensembles and uplift modeling. Relaciones mineras entre registros.. Parte 5.- Mining relationships among records. Reglas de asociación y filtrado colaborativo. Capítulo 14.- Association rules and collaborative filtering. Análisis de conglomerados. Capítulo 15.- Cluster analysis . Predicción de series de tiempo. Parte 6.- Forecasting time series. Manejo de series de tiempo. Capítulo 16.- Handling time series. Pronóstico basado en regresión. Capítulo 17.- Regression-based forecasting. Métodos de suavizado. Capítulo 18.- Smoothing methods. Análisis de datos. Parte 7.- Data analytics. Analítica de redes sociales. Capítulo 19.- Social network analytics. Extracción de textos. Capítulo 20.- Text mining. Casos Parte 8. Cases. Casos. Capítulo 21.- Cases.
Este libro proporciona una guía perspicaz y detallada sobre técnicas fundamentales de minería de datos. El libro guía a los lectores a través del uso del software Python para desarrollar modelos y técnicas predictivas con el fin de describir y encontrar patrones en los datos. Los autores utilizan ejemplos interesantes del mundo real para construir una comprensión teórica y práctica de los métodos clave de minería de datos, con un enfoque en el análisis en lugar de la programación. El libro incluye discusiones sobre las subrutinas de Python, lo que permite a los lectores trabajar con los datos proporcionados. A lo largo del libro, las aplicaciones de los temas discutidos se centran en el problema comercial como motivación y evitan la teoría estadística innecesaria. Los temas cubiertos incluyen series de tiempo, minería de texto y reducción de dimensiones. Cada capítulo concluye con ejercicios que permiten a los lectores ampliar su comprensión del material presentado. Se presentan más de una docena de casos que requieren el uso de las diferentes técnicas de minería de datos, y un sitio web relacionado presenta más de dos docenas de conjuntos de datos, soluciones de ejercicios, diapositivas de PowerPoint y soluciones de casos "- Proporcionado por el editor. (Resumen tomado del Catálogo de la Biblioteca del Congreso, 20/02/2020) https://catalog.loc.gov/vwebv/holdingsInfo?searchId=13891&recCount=25&recPointer=0&bibId=21402923
9781119549840
Matemáticas --Programas informáticos
Negocios--Procesamiento de datos
Procesamiento electrónico de datos
Python (Lenguaje de programación de computadores)
650 / S558
Data mining for business analytics : concepts, techniques and applications in Python - xxix, 574 páginas : gráficos ; 26x18 cm.
Preliminares. Parte 1.- Preliminaries. Introducción Capítulo 1.- Introduction. Descripción general del proceso de minería de datos. Capítulo 2.- Overview of the data mining process. Exploración de datos y reducción de dimensiones. Parte 2.- Data exploration and dimension reduction. Visualización de datos. Capítulo 3.- Data visualization. Reducción de la dimensión. Capítulo 4.- Dimension reduction. Evaluación del desempeño. Parte 3.- Performance evaluation. Evaluación del desempeño predictivo. Capítulo 5.- Evaluating predictive performance. Métodos de predicción y clasificación. Parte 4.- Prediction and classification methods. Regresión lineal múltiple. Capítulo 6.- Multiple linear regression. K vecinas más cercanas (kNN). Capítulo 7.- k-nearest neighbors (kNN). La clasificadora ingenua de Bayes. Capítulo 8.- The naive Bayes classifier. Árboles de clasificación y regresión. Capítulo 9.- Classification and regression trees. Regresión logística. Capítulo 10.- Logistic regression. Redes neuronales. Capítulo 11.- Neural nets. Análisis discriminante. Capítulo 12.- Discriminant analysis. Métodos combinados: conjuntos y modelado de levantamiento. Capítulo 13.- Combining methods : ensembles and uplift modeling. Relaciones mineras entre registros.. Parte 5.- Mining relationships among records. Reglas de asociación y filtrado colaborativo. Capítulo 14.- Association rules and collaborative filtering. Análisis de conglomerados. Capítulo 15.- Cluster analysis . Predicción de series de tiempo. Parte 6.- Forecasting time series. Manejo de series de tiempo. Capítulo 16.- Handling time series. Pronóstico basado en regresión. Capítulo 17.- Regression-based forecasting. Métodos de suavizado. Capítulo 18.- Smoothing methods. Análisis de datos. Parte 7.- Data analytics. Analítica de redes sociales. Capítulo 19.- Social network analytics. Extracción de textos. Capítulo 20.- Text mining. Casos Parte 8. Cases. Casos. Capítulo 21.- Cases.
Este libro proporciona una guía perspicaz y detallada sobre técnicas fundamentales de minería de datos. El libro guía a los lectores a través del uso del software Python para desarrollar modelos y técnicas predictivas con el fin de describir y encontrar patrones en los datos. Los autores utilizan ejemplos interesantes del mundo real para construir una comprensión teórica y práctica de los métodos clave de minería de datos, con un enfoque en el análisis en lugar de la programación. El libro incluye discusiones sobre las subrutinas de Python, lo que permite a los lectores trabajar con los datos proporcionados. A lo largo del libro, las aplicaciones de los temas discutidos se centran en el problema comercial como motivación y evitan la teoría estadística innecesaria. Los temas cubiertos incluyen series de tiempo, minería de texto y reducción de dimensiones. Cada capítulo concluye con ejercicios que permiten a los lectores ampliar su comprensión del material presentado. Se presentan más de una docena de casos que requieren el uso de las diferentes técnicas de minería de datos, y un sitio web relacionado presenta más de dos docenas de conjuntos de datos, soluciones de ejercicios, diapositivas de PowerPoint y soluciones de casos "- Proporcionado por el editor. (Resumen tomado del Catálogo de la Biblioteca del Congreso, 20/02/2020) https://catalog.loc.gov/vwebv/holdingsInfo?searchId=13891&recCount=25&recPointer=0&bibId=21402923
9781119549840
Matemáticas --Programas informáticos
Negocios--Procesamiento de datos
Procesamiento electrónico de datos
Python (Lenguaje de programación de computadores)
650 / S558
Sede Las Palmas: km 2 + 200 Vía al Aeropuerto José María Córdoba Envigado, Colombia.
Tel: (+57) 604 354 90 90, ext. 248
