Los mejores libros de ciencia de datos

A series of Deep Learning breakthroughs have boosted the whole field of machine learning over the last decade. Now that machine learning is thriving, even programmers who know close to nothing about this technology can use simple, efficient tools to implement programs capable of learning from data. This practical book shows you how. By using concrete examples, minimal theory, and two production-ready Python frameworks—Scikit-Learn and TensorFlow—author Aurélien Géron helps you gain an intuitive understanding of the concepts and tools for building intelligent systems. You’ll learn how to use a range of techniques, starting with simple Linear Regression and progressing to Deep Neural Networks. If you have some programming experience and you’re ready to code a machine learning project, this guide is for you. This hands-on book shows you how to use: Scikit-Learn, an accessible framework that implements many algorithms efficiently and serves as a great machine learning entry point TensorFlow, a more complex library for distributed numerical computation, ideal for training and running very large neural networks Practical code examples that you can apply without learning excessive machine learning theory or algorithm details

This book explores the fascinating world of deep learning, which teaches computers to understand the world through a hierarchy of concepts. It covers mathematical and conceptual background, techniques used in industry, and research perspectives. Readers will learn about relevant topics in linear algebra, probability theory, and more, as well as practical applications in areas like natural language processing and computer vision. Perfect for students or engineers looking to incorporate deep learning into their work. Supplementary material available on the website.

This updated book on data science teaches you the tools, algorithms, and principles underlying data science. With a focus on Python 3.6, author Joel Grus shows you how to implement these tools from scratch. Whether you have a background in programming or mathematics, this book will help you master the fundamentals of data science such as statistics, probability, and machine learning. The book also covers newer topics like deep learning and natural language processing. With practical examples and exercises, you'll be able to clean, manipulate, and analyze data, and implement models like neural networks and decision trees.

Un análisis esclarecedor sobre uno de los grandes temas de nuestro tiempo, y sobre el inmenso impacto que tendrá en la economía, la ciencia y la sociedad en general. Los datos masivos representan una revolución que ya está cambiando la forma de hacer negocios, la sanidad, la política, la educación y la innovación. Dos grandes expertos en la materia analizan qué son los datos masivos, cómo nos pueden cambiar la vida, y qué podemos hacer para defendernos de sus riesgos. Un gran ensayo, único en español, pionero en su campo, y que se adelanta a una tendencia que crece a un ritmo frenético.

Learn practical ways to build your own machine learning solutions using Python with this book! Perfect for beginners, authors Andreas Müller and Sarah Guido will guide you through the process of creating successful machine-learning applications with the scikit-learn library. You'll discover how to use machine learning algorithms and focus on the practical aspects of the process. Don't wait to unlock the full potential of machine learning with Python!

Explore the fundamental principles of data science with Data Science for Business. This book is written by experts Foster Provost and Tom Fawcett, and teaches readers the "data-analytic thinking" needed to extract valuable business insights from collected data. With the use of real-world examples, you'll learn how to improve communication between stakeholders and data scientists, as well as how to participate intelligently in data science projects. Discover how data science can support business decision-making and gain a competitive advantage.

Discover the exciting world of statistics and its real-world applications in Naked Statistics. In this engaging book, Charles Wheelan simplifies complex concepts and shows us how data and statistics can be used to answer pressing questions, from cheating schools to rising autism rates. With insightful examples, including Schlitz Beer marketers and Let's Make a Deal, Wheelan brings statistics to life and strips away the technical details to focus on intuition. For those who struggled through Stats 101 or anyone curious about the power of data, Naked Statistics is a must-read.

Obtén el manual definitivo para manipular, procesar, limpiar y restringir conjuntos de datos en Python. Actualizado para Python 3.10 y pandas 1.4.0, esta tercera edición de Python para análisis de datos. Manipulación de datos con pandas, NyumPy y Jupyter está llena de casos prácticos, que permiten averiguar cómo resolver una amplia variedad de problemas de datos de una manera efectiva. Con su ayuda conocerás y aprenderás las versiones más recientes de pandas, NumPy, IPython y Jupyter. Escrito por Wes McKinney, el creador del proyecto pandas, Python para análisis de datos es una introducción práctica y moderna a las herramientas de ciencia de datos que ofrece Python. Es ideal para analistas no versados en Python y para programadores que deseen ponerse al día en ciencia de datos y computación científica o ciencia computacional. GitHub alberga los archivos de datos empleados en el libro y otro material asociado. Entre otras cosas, este libro * Utilizar Jupyter Notebook y el shell de IPython para explorar datos. * Aprender funciones de NumPy básicas y avanzadas. * Iniciarse en el manejo de las herramientas de análisis de datos de la librería pandas. * Emplear herramientas flexibles para limpiar, transformar, combinar y remodelar datos. * Crear visualizaciones informativas con matplotlib. * Aplicar la función GroupBy de pandas para segmentar, desmenuzar y resumir conjuntos de datos. * Analizar y manipular series de datos temporales regulares e irregulares. * Aprender cómo resolver problemas reales de análisis de datos con ejemplos específicos y detallados.

This book is a must-have for aspiring data scientists who lack formal statistical training. It explores statistical methods from a data science perspective and provides practical guidance on their application. The second edition includes comprehensive examples in Python and advice on avoiding their misuse. You'll learn all about exploratory data analysis, random sampling, experimental design, regression, and more. Plus, the book covers unsupervised learning methods for extracting meaning from unlabeled data. If you're familiar with R or Python and have some exposure to statistics, this accessible reference will bridge the gap for you.

Peter Norvig, Director de Investigación en Google, coautor de AIMA, uno de los libros de texto en IA más utilizados en el mundo: "Burkov ha acometido la muy util pero casi imposible y durísima tarea de reducir todo el aprendizaje automático a 100 páginas. Su éxito total al escoger los temas -tanto teóricos como prácticos- será de gran utilidad para los profesionales, y para el lector que es consciente de que están son las primeras 100 (en realidad 150 páginas) que leerá del tema, pero que no serán las últimas, proporciona una sólida introducción a la materia." Aurélien Géron, Ingeniero Senior en IA, autor del bestseller Hands-On Machine Learning with Scikit-Learn and TensorFlow: "La amplitud de los temas que el libro cubre en solo 100 páginas (¡algunas más como extra!) es asombrosa. Burkov no duda en entrar en las fórmulas matemáticas, algo que en los libros cortos se suele evitar. Realmente me ha gustado como el autor explica los conceptos fundamentales en solo unas pocas palabras. El libro puede ser muy útil tanto a los principiantes en el campo, como a los más experimentados, que sin duda hallarán valor en una visión tan amplia del campo." Karolis Urbonas, Jefe de Ciencia de Datos en Amazon: "Una gran introducción al aprendizaje automático por parte de un profesional de clase mundial." Chao Han, VP, Jefe de I&D en Lucidworks: "Ojalá hubiera tenido un libro así cuando era un estudiante de estadística tratando de aprender sobre aprendizaje automático." Sujeet Varakhedi, Jefe de Ingeniería en eBay: "El libro de Andriy hace un trabajo fantástico explicando los conceptos de manera concisa y a toda velocidad desde la primera página.'' Deepak Agarwal, VP de Inteligencia Artificial en LinkedIn: "Un libro maravilloso para los ingenieros que deseen incorporar el aprendizaje automático en su trabajo diario sin tener que gastar una cantidad enorme de tiempo.'' Vincent Pollet, Jefe de Investigación en Nuance: "Excelente lectura para comenzar con el aprendizaje automático.'' Gareth James, Professor of Data Sciences and Operations, co-author of the bestseller An Introduction to Statistical Learning, with Applications in R: "Este es un manual compacto de "cómo hacer ciencia de datos" y predigo que se convertirá en un recurso para académicos y profesionales por igual. Con poco más de 100 páginas, el libro es lo suficientemente corto como para leerlo de una sola vez. Sin embargo, a pesar de su extensión, cubre todos los enfoques principales de aprendizaje automático, que van desde la regresión lineal y la regresión logística, hasta las modernas máquinas de vectores de soporte, aprendizaje profundo, gradient boosting y bosques aleatorios. Tampoco faltan detalles sobre los diversos enfoques y el lector interesado puede obtener más información sobre cualquier método en particular a través de la innovadora wiki complementaria.