Probabilidad y Estadística para la Ciencia de Datos: Matemáticas + R + Datos

Opiniones de los lectores

El libro ha sido bien recibido por su enfoque práctico de la enseñanza de conceptos de codificación y estadística, lo que lo hace adecuado tanto para la autoinstrucción como para servir de libro de texto en cursos. Proporciona ejercicios útiles y explicaciones claras, especialmente en ciencia de datos y probabilidad.

⬤ Eficaz para la autoinstrucción y la enseñanza.
⬤ Repaso exhaustivo de conceptos estadísticos junto con codificación.
⬤ Buena organización de los ejercicios (problemas matemáticos y computacionales).
⬤ Explicaciones claras y ejemplos prácticos.
⬤ Errores tipográficos menores, lo que indica una buena edición.

⬤ Algunos ejemplos pueden parecer desvinculados de las aplicaciones.
⬤ Se observan algunos errores tipográficos, aunque en su mayoría menores.

(basado en 3 opiniones de lectores)

Título original:

Probability and Statistics for Data Science: Math + R + Data

Contenido del libro:

Probabilidad y Estadística para la Ciencia de Datos: Matemáticas + R + Datos cubre las «matemáticas estadísticas» -distribuciones, valor esperado, estimación, etc.-, pero se toma muy en serio la frase «Ciencia de Datos» en el título. --pero se toma muy en serio la frase «Ciencia de datos» del título.

* Se utilizan ampliamente conjuntos de datos reales.

* Todos los análisis de datos se apoyan en la codificación R.

* Incluye muchas aplicaciones de Ciencia de Datos, como PCA, distribuciones de mezcla, modelos de grafos aleatorios, modelos de Markov ocultos, regresión lineal y logística, y redes neuronales.

* Lleva al estudiante a pensar críticamente sobre el «cómo» y el «por qué» de la estadística, y a «ver el panorama general».

* No está orientado a «teoremas/pruebas», pero los conceptos y modelos se exponen de forma matemáticamente precisa.

Los prerrequisitos son cálculo, algo de álgebra matricial y cierta experiencia en programación.

Norman Matloff es profesor de informática en la Universidad de California, Davis, y anteriormente fue profesor de estadística en la misma universidad. Forma parte de los consejos editoriales de Journal of Statistical Software y The R Journal. Su libro Statistical Regression and Classification: From Linear Models to Machine Learning recibió el Premio Ziegel al mejor libro reseñado en Technometrics en 2017. Ha recibido el Distinguished Teaching Award de su universidad.