Ciencia de Datos Desde Cero. Segunda Edición
Principios Básicos con Python
Grus, Joel
Para aprender de verdad ciencia de datos, no solamente es necesario dominar las herramientas (librerías de ciencia de datos, frameworks, módulos y kits de herramientas), sino también conviene comprender las ideas y principios subyacentes. Actualizada para Python 3.6, esta segunda edición de Ciencia de datos desde cero muestra cómo funcionan estas herramientas y algoritmos imple...
Sinopsis
Para aprender de verdad ciencia de datos, no solamente es necesario dominar las herramientas (librerías de ciencia de datos, frameworks, módulos y kits de herramientas), sino también conviene comprender las ideas y principios subyacentes. Actualizada para Python 3.6, esta segunda edición de Ciencia de datos desde cero muestra cómo funcionan estas herramientas y algoritmos implementándolos desde el principio.
Si ya tiene aptitudes para las matemáticas y ciertas habilidades de programación, el autor, Joel Grus, le ayudará a familiarizarse con las mates y las estadísticas, que son el núcleo de la ciencia de datos, y con las habilidades informáticas necesarias para iniciarse como científico de datos. Repleto de nueva información sobre deep learning (aprendizaje profundo), estadísticas y procesamiento del lenguaje natural, este libro actualizado le muestra cómo sacar lo mejor de la sobreabundancia de datos que actualmente nos rodea.
Índice
Agradecimientos Sobre el autor Prefacio a la segunda edición Convenciones empleadas en este libro Uso del código de ejemplo Sobre la imagen de cubierta Prefacio a la primera edición Ciencia de datos Partir de cero 1. Introducción El ascenso de los datos ¿Qué es la ciencia de datos? Hipótesis motivadora: DataSciencester Localizar los conectores clave Científicos de datos que podría conocer Salarios y experiencia Cuentas de pago Temas de interés Sigamos adelante 2. Un curso acelerado de Python El zen de Python Conseguir Python Entornos virtuales Formato con espacios en blanco Módulos Funciones Cadenas Excepciones Listas Tuplas Diccionarios Contadores Conjuntos Flujo de control Verdadero o falso Ordenar Comprensiones de listas Pruebas automatizadas y assert Programación orientada a objetos Iterables y generadores Aleatoriedad Expresiones regulares Programación funcional Empaquetado y desempaquetado de argumentos args y kwargs Anotaciones de tipos Bienvenido a DataSciencester Para saber más 3. Visualizar datos matplotlib Gráficos de barras Gráficos de líneas Gráficos de dispersión Para saber más 4. Álgebra lineal Vectores Matrices Para saber más 5. Estadística Describir un solo conjunto de datos Correlación La paradoja de Simpson Otras advertencias sobre la correlación Correlación y causación Para saber más 6. Probabilidad Dependencia e independencia Probabilidad condicional Teorema de Bayes Variables aleatorias Distribuciones continuas La distribución normal El teorema central del límite Para saber más 7. Hipótesis e inferencia Comprobación de hipótesis estadísticas Ejemplo: Lanzar una moneda Valores p Intervalos de confianza p-hacking o dragado de datos Ejemplo: Realizar una prueba A/B Inferencia bayesiana Para saber más 8. Descenso de gradiente La idea tras el descenso de gradiente Estimar el gradiente Utilizar el gradiente Elegir el tamaño de paso adecuado Utilizar descenso de gradiente para ajustar modelos Descenso de gradiente en minilotes y estocástico
Comentarios
Sé el primero en comentar este libroTambién te puede interesar
