César Pérez López
Junio de 2026 Páginas: 194
Código 12111 ISBN/EAN: 9791387803049
CONTENIDO:
Los algoritmos de Ciencia de Datos utilizan métodos computacionales para extraer información directamente de los datos. En la fase de Análisis de la Ciencia de Datos, el Aprendizaje Automático utiliza dos tipos de técnicas:
- el Aprendizaje Supervisado, que entrena a un modelo con datos conocidos de entrada y salida para que pueda predecir resultados futuros, y
- el Aprendizaje no Supervisado, que encuentra patrones ocultos o estructuras intrínsecas en los datos de entrada.
El Aprendizaje Supervisado utiliza técnicas de clasificación y regresión para desarrollar modelos de predicción. Las técnicas de clasificación predicen respuestas categóricas y clasificación los datos de entrada en las categorías de la variable dependiente. Las técnicas de regresión predicen respuestas continuas.
La mayoría de las técnicas de Aprendizaje Supervisado para la clasificación se desarrollan a lo largo de este libro desde un punto de vista metodológico y desde un punto de vista práctico con aplicaciones a través del software R.
El libro comienza tratando las técnicas de Análisis Discriminante Lineal y Cuadrático, tanto simple, como múltiple. A continuación, se profundiza en los Modelos Lineales Generalizados presentando el trabajo con Modelos Logit, Modelos Probit, Modelos de Recuento y Modelos de Elección Discreta.
Posteriormente se aborda la temática de los Árboles de Decisión, considerando las tipologías más importan-tes como los árboles CHAID, CART, QUEST y árboles aleatorios (RANDOM FOREST).
Finalmente se expone el trabajo con Redes Neuronales para el ajuste de modelos predictivos utilizando las arquitecturas más importantes. También se trata el trabajo con Redes Neuronales para la predicción de Series Temporales.
Los capítulos comienzan con explicaciones metodológicas sencillas que posteriormente se ilustran con ejemplos y ejercicios resueltos paso a paso con el software R. Se incide especialmente en la fase de la evaluación de las técnicas a través de Matrices de confusión, Curvas características de operación y Densidades de probabilidad.
En la página web del libro se encuentran disponibles los archivos de datos necesarios para desarrollar los ejemplos que se utilizan a lo largo del texto.
INDICE EXTRACTADO:
Capítulo 1. Primeros conceptos en ciencia de datos
1.1 Ciencia de datos
1.2 El proceso de la ciencia de datos
1.3 Clasificación de las técnicas de ciencia de datos
Capítulo 2. Clasificación y segmentación mediante análisis discriminante
2.1 Análisis discriminante
2.2 Clasificación con dos grupos
2.3 Contrastes y probabilidad de pertenencia (2 grupos)
2.4 Clasificación con más de dos grupos
2.5 Selección de variables discriminantes. métodos alternativos
2.6 Interpretación de la función discriminante
2.7 Clasificación de los individuos
2.8 Probabilidad de pertenencia a un grupo
2.9 Análisis discriminante canónico
2.10 Esquema general del análisis discriminante
Capítulo 3. Análisis discriminante a través de R
3.1 Análisis discriminante lineal simple a través de R
3.2 Análisis discriminante cuadrático simple a través de R
3.3 Análisis discriminante lineal múltiple a través de R
Capítulo 4. Modelos lineales generalizados. Modelos de elección discreta: modelos logit, probit y recuento
4.1 Aprendizaje supervisado: modelo lineal generalizado
4.2 Modelos de variable dependiente limitada y recuento: logit, probit, poisson y binomial negativa
4.3 Distribuciones de la familia exponencial
Capítulo 5. Modelos lineales generalizados, logit, probit y recuento con R
5.1 Tratamiento de los modelos lineales generalizados a través de R
5.2 Tratamiento de los modelos lineales generalizados en R a través de menús
5.3 Modelos logit y probit multinomiales a través de R
5.4 Modelos logit y probit ordenados a través de R
5.5 Modelos logit y probit binarios a través de menús en R
5.6 Modelo logit multinomial a través de menús en R
5.7 Modelos logit y probit multinomiales ordenados a través de menús en R
Capítulo 6. Árboles de decisión. Tratamiento a través de R
6.1 Árboles de decisión
6.2 Características de los árboles de decisión
6.3 Tipos de árboles de decisión
6.4 R y los árboles de decisión
6.5 R y los árboles aleatorios (Random Forest)
Capítulo 7. Modelos de redes neuronales. Tratamiento con R
7.1 Descripción de una red neuronal
7.2 Redes neuronales y ajuste de modelos predictivos (aprendizaje supervisado)
7.3 Aprendizaje en las redes neuronales
7.4 Funcionamiento de una red neuronal
7.5 El algoritmo de aprendizaje retropropagación (back propagation)
7.6 Análisis de series temporales mediante redes neuronales
7.7 Redes neuronales a través de R
7.8 R y las series temporales mediante redes neuronales
Capítulo 8. Redes neuronales perceptrón multicapa y red de base radial en R
8.1 Introducción
8.2 Modelo neuronal
8.3 Arquitectura del perceptrón
8.4 Crear una red perceptron en R
8.5 Red de funciones de base radial
8.6 Modelo neuronal
8.7 Arquitectura de la red de base radial
8.8 Red de base radial en R
