Thinking Data Science: A Data Science Practitioner's Guide

Contenido del libro:

Esta guía definitiva de proyectos de aprendizaje automático responde a los problemas que suelen tener los aspirantes a científicos de datos o los experimentados: ¿Confundido sobre qué tecnología utilizar para su desarrollo de ML? ¿Debo utilizar GOFAI, ANN/DNN o Aprendizaje por Transferencia? ¿Puedo confiar en AutoML para el desarrollo de modelos? ¿Qué pasa si el cliente me proporciona Gigabytes y Terabytes de datos para desarrollar modelos analíticos? ¿Cómo manejo conjuntos de datos dinámicos de alta frecuencia? Este libro proporciona al profesional una consolidación de todo el proceso de la ciencia de datos en una única "Cheat Sheet".

El reto para un científico de datos es extraer información significativa de enormes conjuntos de datos que ayuden a crear mejores estrategias para las empresas. Muchos algoritmos de aprendizaje automático y redes neuronales están diseñados para realizar análisis de estos conjuntos de datos.

Para un científico de datos, la decisión de qué algoritmo utilizar para un conjunto de datos determinado es desalentadora. Aunque no existe una respuesta única a esta pregunta, es necesario un enfoque sistemático para la resolución de problemas. Este libro describe conceptualmente los distintos algoritmos de ML y define/discute un proceso en la selección de modelos de ML/DL.

La consolidación de los algoritmos y técnicas disponibles para diseñar modelos ML eficientes es el aspecto clave de este libro. Thinking Data Science ayudará a los científicos de datos en ejercicio, académicos, investigadores y estudiantes que deseen construir modelos de ML utilizando los algoritmos y arquitecturas adecuados, tanto si los datos son pequeños como grandes.