La ciencia de datos al descubierto: Con ingeniería de características, visualización de datos, desarrollo de canalizaciones y ajuste de hiperparámetros

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 2 votos.

Título original:

Data Science Revealed: With Feature Engineering, Data Visualization, Pipeline Development, and Hyperparameter Tuning

Contenido del libro:

Sección 1: Métodos paramétricosCapítulo 1: Introducción a la regresión lineal simpleObjetivo del capítulo: Introducir al lector en los métodos paramétricos y comprender los supuestos subyacentes de la regresión. Subtemas- Supuestos de regresión. - Detección de valores perdidos. - Análisis descriptivo. - Comprender la correlación. o Trazar la matriz de correlación de Pearson. - Determinar la covarianza. o Trazar la matriz de covarianza. - Crear y remodelar matrices. - Dividir los datos en datos de entrenamiento y datos de prueba. - Normalizar datos. - Encontrar los mejores hiperparámetros para un modelo. - Construir su propio modelo. - Revisión del rendimiento del modelo. o Error medio absoluto. o Error medio cuadrático. o Error medio cuadrático. o R-cuadrado. o Representación gráfica de los valores reales frente a los valores predichos. - Diagnóstico residual. o Diagrama Q-Q normal. o Diagrama de influencia D de Cook. o Trazado de valores predichos frente a valores residuales. o Trazado de valores ajustados frente a valores residuales. o Trazado de valores de apalancamiento frente a valores residuales. o Trazado de valores ajustados frente a valores residuales estudiados. o Trazado de valores de apalancamiento frente a valores residuales estudiados.

Capítulo 2: Métodos paramétricos avanzadosObjetivo del capítulo: Destaca los métodos para tratar el problema del ajuste insuficiente y el ajuste excesivo. Subtemas- Problema de la multicolinealidad. - Explorar métodos para tratar el problema del ajuste insuficiente y el ajuste excesivo. - Comprender los modelos de regresión Ridge, RidgeCV y Lasso. - Encontrar los mejores hiperparámetros para un modelo. - Construir modelos regularizados. - Comparar el rendimiento de diferentes métodos de regresión. o Error medio absoluto. o Error medio cuadrático. o Error medio cuadrático. o R-cuadrado. o Representar gráficamente los valores reales frente a los valores predichos.

Capítulo 3: Análisis de series temporalesObjetivo del capítulo: Cubre un modelo para identificar tendencias y patrones en datos secuenciales y cómo pronosticar una serie. - ¿Qué es el análisis de series temporales? - Supuestos subyacentes del análisis de series temporales. - Diferentes tipos de modelos de análisis de series temporales. - El modelo ARIMA. - Prueba de estacionariedad. o Realización de una prueba ADF Fuller. - Prueba de ruido blanco. - Prueba de correlación. o Graficar Lag Plot. o Graficar Lag vs Autocorrelación Plot. o Graficar ACF. o Graficar PACF. - Comprender las tendencias, la estacionalidad y las tendencias. o Trazar componentes estacionales. - Suavizar una serie temporal utilizando técnicas de Media Móvil, Desviación Estándar y Exponencial. o Trazar series temporales suavizadas. - Determinar la tasa de rentabilidad y la tasa de rentabilidad móvil. - Determinar los parámetros del modelo ARIMA. - Construir el modelo ARIMA. - Predicción ARIMA. o Trazado de la predicción. - Diagnóstico residual.

Capítulo 4: Series temporales de alta calidadMeta del capítulo: Explora Prophet para mejorar la previsión de series. - Diferencia entre statsmodel y Prophet. - Comprender los componentes de Prophet. - Preprocesamiento de datos. - Desarrollar un modelo con Prophet. - Pronosticar una serie. o Trazar pronóstico. o Trazar componentes estacionales. - Evaluar el rendimiento del modelo con Prophet. Capítulo 4: Regresión logística Objetivo del capítulo: Introducir al lector en la regresión logística, un potente modelo de clasificación. Subtemas- Encontrar valores perdidos.