Guía práctica de la ciencia de datos: Streamlining Data Science Solutions using Python, Scikit-Learn, and Azure ML Service Platform (en inglés)

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 5 votos.

Título original:

Practitioner's Guide to Data Science: Streamlining Data Science Solutions using Python, Scikit-Learn, and Azure ML Service Platform

Contenido del libro:

Nunca ha sonado tan bien conceptualmente, gracias al trabajo que se presenta en este libro. Este libro ofrece una visión en profundidad del estado actual de los datos en el mundo y de cómo Data Science desempeña un papel fundamental en todo lo que hacemos.

Este libro explica e implementa todo el ciclo de vida de la Ciencia de Datos utilizando procesos de ciencia de datos bien conocidos como CRISP-DM y Microsoft TDSP. El libro explica la importancia de estos procesos en relación con la alta tasa de fracaso de los proyectos de Ciencia de Datos.

El libro ayuda a construir una base sólida en conceptos de Ciencia de Datos y marcos relacionados. Enseña cómo implementar casos de uso del mundo real utilizando datos del conjunto de datos HMDA. Explica la arquitectura de Azure ML Service, sus capacidades y su implementación para el equipo de DS, que así estará preparado para implementar MLOps. El libro también explica cómo utilizar Azure DevOps para hacer el proceso repetible mientras estamos en ello.

Al final de este libro, aprenderás sólidas habilidades de codificación en Python, obtendrás una firme comprensión de conceptos como la ingeniería de características, crearás visualizaciones perspicaces y te familiarizarás con las técnicas para construir modelos de aprendizaje automático.

ÍNDICE

1. Ciencia de datos para empresas.

2. Metodologías de proyectos de ciencia de datos y procesos de equipo.

3. Entendimiento del negocio y su panorama de datos.

4. Adquirir, Explorar y Analizar Datos.

5. Pre-procesamiento y Preparación de Datos.

6. Desarrollo de un Modelo de Aprendizaje Automático.

7. Vuelta alrededor del Servicio Azure ML.

8. Despliegue y gestión de modelos.