Data mining for business analytics : concepts, techniques and applications in Python
Por: Shmueli, Galit.
Colaborador(es): Bruce, Peter C [Autor] | Gedeck, Peter [Autor] | Patel, Nitin R [Autor].
Tipo de material: LibroEditor: Hoboken (NJ, Estados Unidos) : John Wiley & Sons, 2020Descripción: xxix, 574 páginas : gráficos ; 26x18 cm.Idioma: InglésISBN: 9781119549840.Materia(s): Matemáticas -- Programas informáticos | Negocios -- Procesamiento de datos | Procesamiento electrónico de datos | Python (Lenguaje de programación de computadores)Clasificación CDD: 650 Recursos en línea: Reseña l Data Mining for Business AnalyticsItem type | Current location | Collection | Call number | Copy number | Status | Date due | Barcode |
---|---|---|---|---|---|---|---|
Libro - Material General | Biblioteca Campus Palmas General | General | 650.072/S558 (Browse shelf) | 1 | Available | 0022056 |
Browsing Biblioteca Campus Palmas shelves, Shelving location: General, Collection: General Close shelf browser
650.01513/R173 Matemática financiera : | 650.0285/H333 Net ready : | 650.0285/P882/5 edición Business analytics : | 650.072/S558 Data mining for business analytics : | 650.1/R934 El cómo del éxito | 650.13/F533/2 edición Sí... ¡de acuerdo! : | 650.13/F533/2 edición/Ejemplar 3 Sí... ¡de acuerdo! : |
Parte 1.- Preliminares. Preliminaries.
Capítulo 1.- Introducción Introduction.
Capítulo 2.- Descripción general del proceso de minería de datos. Overview of the data mining process.
Parte 2.- Exploración de datos y reducción de dimensiones. Data exploration and dimension reduction.
Capítulo 3.- Visualización de datos. Data visualization.
Capítulo 4.- Reducción de la dimensión. Dimension reduction.
Parte 3.- Evaluación del desempeño. Performance evaluation.
Capítulo 5.- Evaluación del desempeño predictivo. Evaluating predictive performance.
Parte 4.- Métodos de predicción y clasificación. Prediction and classification methods.
Capítulo 6.- Regresión lineal múltiple. Multiple linear regression.
Capítulo 7.- K vecinas más cercanas (kNN). k-nearest neighbors (kNN).
Capítulo 8.- La clasificadora ingenua de Bayes. The naive Bayes classifier.
Capítulo 9.- Árboles de clasificación y regresión. Classification and regression trees.
Capítulo 10.- Regresión logística. Logistic regression.
Capítulo 11.- Redes neuronales. Neural nets.
Capítulo 12.- Análisis discriminante. Discriminant analysis.
Capítulo 13.- Métodos combinados: conjuntos y modelado de levantamiento. Combining methods : ensembles and uplift modeling.
Parte 5.- Relaciones mineras entre registros.. Mining relationships among records.
Capítulo 14.- Reglas de asociación y filtrado colaborativo. Association rules and collaborative filtering.
Capítulo 15.- Análisis de conglomerados. Cluster analysis .
Parte 6.- Predicción de series de tiempo. Forecasting time series.
Capítulo 16.- Manejo de series de tiempo. Handling time series.
Capítulo 17.- Pronóstico basado en regresión. Regression-based forecasting.
Capítulo 18.- Métodos de suavizado. Smoothing methods.
Parte 7.- Análisis de datos. Data analytics.
Capítulo 19.- Analítica de redes sociales. Social network analytics.
Capítulo 20.- Extracción de textos. Text mining.
Parte 8. Casos Cases.
Capítulo 21.- Casos. 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
There are no comments on this title.