Machine Learning (Kastilisch)

Este libro introduce a aquellos que no son Data Scientists, sin conocimientos particulares de matemáticas, en la metodología del Machine Learning, sus conceptos, sus principales algoritmos y la implementación de éstos en Python usando Scikit-learn. Comienza con una presentación del Aprendizaje Automático y, a continuación, del método CRISP, en el que se detalla cada fase junto con sus diversas etapas. Los primeros capítulos se centran en las fases de Entender el Negocio (Business Understanding), Entender los Datos (Data Understanding) y Preparar los Datos (Data Preparation). Estos capítulos presentan los análisis estadísticos de los conjuntos de datos (datasets), tanto en forma numérica como gráfica, así como las principales técnicas utilizadas para la preparación de datos, con su función y consejos sobre cómo utilizarlas. A continuación, se dedican varios capítulos a cada tarea de Aprendizaje Automático: clasificar, la regresión, con el caso especial de la tarea de predecir, así como agrupar (clustering) y, de forma más general, el aprendizaje no supervisado. Para cada tarea presentada, se detallan sucesivamente los criterios de evaluación, los conceptos en los que se basan los principales algoritmos y su implementación usando Scikit-learn. Para ilustrar los distintos capítulos, las técnicas y algoritmos que se presentan se aplican a conjuntos de datos de uso frecuente: Iris (clasificar flores), Boston (prever el precio de venta de pisos) y Titanic (prever la probabilidad de supervivencia de los pasajeros de un barco). El código Python está comentado y puede descargarse (en forma de cuadernos Jupyter) en www.edictiones-eni.com.