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.
Dieser Download kann aus rechtlichen Gründen nur mit Rechnungsadresse in A, B, CY, CZ, D, DK, EW, E, FIN, F, GR, H, IRL, I, LT, L, LR, M, NL, PL, P, R, S, SLO, SK ausgeliefert werden.