Nouveauté
Ciencia de Datos a través de Python. Técnicas de Aprendizaje Supervisado: KNN, SVM, Naive Bayes, Bagging, Boosting, Stacking y Redes Neuronales. DATA SCIENCE
Par :Formats :
Disponible dans votre compte client Decitre ou Furet du Nord dès validation de votre commande. Le format ePub est :
- Compatible avec une lecture sur My Vivlio (smartphone, tablette, ordinateur)
- Compatible avec une lecture sur liseuses Vivlio
- Pour les liseuses autres que Vivlio, vous devez utiliser le logiciel Adobe Digital Edition. Non compatible avec la lecture sur les liseuses Kindle, Remarkable et Sony
, qui est-ce ?Notre partenaire de plateforme de lecture numérique où vous retrouverez l'ensemble de vos ebooks gratuitement
Pour en savoir plus sur nos ebooks, consultez notre aide en ligne ici
C'est si simple ! Lisez votre ebook avec l'app Vivlio sur votre tablette, mobile ou ordinateur :
- FormatePub
- ISBN8232435660
- EAN9798232435660
- Date de parution16/11/2025
- Protection num.pas de protection
- Infos supplémentairesepub
- ÉditeurHamza elmir
Résumé
Los algoritmos de Ciencia de Datos utilizan métodos computacionales para extraer información directamente de los datos. El aprendizaje automático utiliza dos tipos de técnicas: el aprendizaje supervisado, que entrena a un modelo con datos conocidos de entrada y salida para que pueda predecir resultados futuros, y el aprendizaje no supervisado, que encuentra patrones ocultos o estructuras intrínsecas en los datos de entrada.
La mayoría de las técnicas de aprendizaje supervisado se desarrollan a lo largo de este libro desde un punto de vista metodológico y desde un punto de vista práctico con aplicaciones a través del software Python. Se profundiza en las siguientes técnicas: Vecino más cercano (kNN), Support Vector Machine (SVM), Naive Bayes, Métodos de ensamblado, Bagging, Boosting, Voting, Stacking, Blending, Random Forest, Redes Neuronales, Perceptrón Multicapa, Redes de Base Radial, Redes de Hopfield, Redes LSTM, Redes Recurrentes RNN, Redes GRU y Redes Neuronales para Predicción de Series Temporales.
La mayoría de las técnicas de aprendizaje supervisado se desarrollan a lo largo de este libro desde un punto de vista metodológico y desde un punto de vista práctico con aplicaciones a través del software Python. Se profundiza en las siguientes técnicas: Vecino más cercano (kNN), Support Vector Machine (SVM), Naive Bayes, Métodos de ensamblado, Bagging, Boosting, Voting, Stacking, Blending, Random Forest, Redes Neuronales, Perceptrón Multicapa, Redes de Base Radial, Redes de Hopfield, Redes LSTM, Redes Recurrentes RNN, Redes GRU y Redes Neuronales para Predicción de Series Temporales.
Los algoritmos de Ciencia de Datos utilizan métodos computacionales para extraer información directamente de los datos. El aprendizaje automático utiliza dos tipos de técnicas: el aprendizaje supervisado, que entrena a un modelo con datos conocidos de entrada y salida para que pueda predecir resultados futuros, y el aprendizaje no supervisado, que encuentra patrones ocultos o estructuras intrínsecas en los datos de entrada.
La mayoría de las técnicas de aprendizaje supervisado se desarrollan a lo largo de este libro desde un punto de vista metodológico y desde un punto de vista práctico con aplicaciones a través del software Python. Se profundiza en las siguientes técnicas: Vecino más cercano (kNN), Support Vector Machine (SVM), Naive Bayes, Métodos de ensamblado, Bagging, Boosting, Voting, Stacking, Blending, Random Forest, Redes Neuronales, Perceptrón Multicapa, Redes de Base Radial, Redes de Hopfield, Redes LSTM, Redes Recurrentes RNN, Redes GRU y Redes Neuronales para Predicción de Series Temporales.
La mayoría de las técnicas de aprendizaje supervisado se desarrollan a lo largo de este libro desde un punto de vista metodológico y desde un punto de vista práctico con aplicaciones a través del software Python. Se profundiza en las siguientes técnicas: Vecino más cercano (kNN), Support Vector Machine (SVM), Naive Bayes, Métodos de ensamblado, Bagging, Boosting, Voting, Stacking, Blending, Random Forest, Redes Neuronales, Perceptrón Multicapa, Redes de Base Radial, Redes de Hopfield, Redes LSTM, Redes Recurrentes RNN, Redes GRU y Redes Neuronales para Predicción de Series Temporales.
