Fundamentos de la ciencia de datos /
Las técnicas de la Ciencia de Datos precisan de unas nociones matemáticas y computacionales sólidas para comprenderse de forma adecuada, pero en cuanto dichas nociones se dominan, no existe campo ni disciplina capaz de resistirse al enorme poder predictivo y analítico que la Ciencia de Datos puede o...
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | , |
| Format: | eBook |
| Language: | Spanish |
| Published: |
Alcalá de Henares, España :
Editorial Universidad de Alcalá,
2021.
|
| Series: | Textos Universitarios, Tecnología
|
| Subjects: | |
| Online Access: | Ebook suscrito en eLibro.net |
| Tags: |
No Tags, Be the first to tag this record!
|
Table of Contents:
- PÁGINA LEGAL ÍNDICE 1. RESUMEN ESPAÑOL ENGLISH 2. CONCEPTOS 2.1. ¿QUÉ ES EL MODELADO ESTADÍSTICO O UN MODELO PREDICTIVO? 2.2. PARAMÉTRICO VS NO PARAMÉTRICO 2.3. SUPOSICIÓN DE INDEPENDENCIA 2.4. COLINEALIDAD 2.5. NORMALIDAD. ESTUDIO DE LA DISTRIBUCIÓN DE PROBABILIDAD 2.6. HOMOCEDASTICIDAD Y HETEROCEDASTICIDAD 3. ESTADÍSTICA DESCRIPTIVA 3.1. MEDIDAS DE CENTRALIZACIÓN 3.2. MEDIDAS DE DISPERSIÓN (MEASURES OF VARIABILITY) O DE CALIDAD DE LAS (...) 4. EVALUACIÓN DEL ERROR EN REGRESIÓN 4.1. MSE (ERROR MEDIO CUADRADO O MEAN SQUARED ERROR/DEVIATION (MSD)) 4.2. RMSE (ERROR CUADRÁTICO MEDIO O ROOT MEAN SQUARED ERROR/DEVIATION (...) 4.3. MAE (ERROR ABSOLUTO MEDIO O MEAN ABSOLUTE ERROR) 4.4. R2 (R-CUADRADO, COEFICIENTE DE DETERMINACIÓN O COEFICIENTE DE (...) 4.5. R2 AJUSTADO 4.6. RESUMEN 5. EVALUACIÓN DEL ERROR EN CLASIFICACIÓN 5.1. EXACTITUD (ACCURACY) 5.2. PRECISIÓN (PRECISION) 5.3. SENSIBILIDAD (RECALL) 5.4. ESPECIFICIDAD (SPECIFICITY) 5.5. PUNTAJE DE F1 (F1 SCORE) 5.6. RESUMEN 6. TEST DE HIPÓTESIS 6.1. IDEA INTUITIVA SENCILLA DEL TEST DE HIPÓTESIS 6.2. IDEA INTUITIVA MÁS AVANZADA DEL TEST DE HIPÓTESIS 6.3. IDEA INTUITIVA DE HIPÓTESIS NULA E HIPÓTESIS ALTERNATIVA 6.4. NIVEL DE SIGNIFICANCIA 6.5. COMPROMISO ENTRE FALSOS POSITIVOS Y FALSOS NEGATIVOS 6.6. P-VALUES 6.7. ONE-TAILED VS TWO-TAILED P-VALUES 6.8. RESUMEN DEL TEST DE HIPÓTESIS 7. PROCESO DE MACHINE LEARNING. CONCEPTOS Y TÉCNICAS 7.1. INTRODUCCIÓN. IA Y LOS DATOS 7.2. GENERALIZACIÓN 8. ALGORITMOS IMPORTANTES DE APRENDIZAJE AUTOMÁTICO 8.1. MÁQUINAS VECTOR SOPORTE (SVM) 8.2. RANDOM FOREST 8.3. REDES NEURONALES 9. TRANSFORMACIÓN DE LOS DATOS (DATA TRANSFORMATION) 9.1. MANTENER LOS DATOS EN LA MISMA ESCALA O UNIDAD DE MEDICIÓN 9.2. TRANSFORMAR LOS VALORES NUMÉRICOS EN UNA ESCALA NORMALIZADA, (...) 9.3. TRANSFORMAR LOS VALORES NUMÉRICOS A UNA ESCALA ESTANDARIZADA EN MEDIA (...) 9.4. TRANSFORMAR LA DISTRIBUCIÓN DE LOS DATOS 9.5. RESUMEN 10. IMPUTACIÓN DE VALORES VACÍOS 10.1. TIPOS DE VALORES FALTANTES 10.2. TEORÍA SOBRE LA IMPUTACIÓN 10.3. TÉCNICAS GENERALES 11. REDUCCIÓN DE DIMENSIONALIDAD 11.1. INTRODUCCIÓN A LA REDUCCIÓN DE DIMENSIONALIDAD 11.2. BENEFICIOS DE LA REDUCCIÓN DE DIMENSIONALIDAD 11.3. INCONVENIENTES DE LA REDUCCIÓN DE DIMENSIONALIDAD 11.4. SELECCIÓN DE CARACTERÍSTICAS 11.5. REDUCCIÓN DE DIMENSIONALIDAD. PCA 12. DETECCIÓN DE VALORES ATÍPICOS 12.1. INTRODUCCIÓN 12.2. DIAGRAMA DE CAJA Y BIGOTES 12.3. DESVIACIÓN TÍPICA. DISPERSIÓN 12.4. ERROR ESTÁNDAR DE RESIDUOS. REGRESIÓN 12.5. K-VECINOS 12.6. ISOLATION FOREST 12.7. DBSCAN 13. CONCLUSIONES 14. BIBLIOGRAFÍA SOBRE LA OBRA