book

Análisis predictivo para la empresa moderna

by Nooruddin Abbas Ali

September 2024

Intermediate to advanced

360 pages

9h 40m

Spanish

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

¿A quién va dirigido este libro?Cómo está organizado este libroConvenciones utilizadas en este libroUtilizar ejemplos de códigoAprendizaje en línea O'ReillyCómo contactar con nosotrosAgradecimientos
La evolución de la analítica de datosDiferentes tipos de análisis de datosAnálisis descriptivoAnálisis de diagnósticoAnálisis PredictivoAnálisis prescriptivoAdquisición de conocimientos, aprendizaje automático y el papel del análisis predictivoHerramientas, marcos y plataformas en el mundo del análisis predictivoLenguas y BibliotecasServiciosConclusión
El paso de "producir datos" a "manejar datos"Retos en el uso del Análisis PredictivoPersonasDatosTecnologíaCasos de uso del análisis predictivo en la industria verticalFinanzasSanidadAutomóvilEntretenimientoConclusión
Estadística y Álgebra LinealRegresión¿Qué es el análisis de regresión?Técnicas de regresiónR-cuadrado y valor PSelección de un modelo de regresiónÁrboles de decisiónEntrenamiento de árboles de decisiónUso de Árboles de Decisión para Resolver Problemas de Regresión: Árboles de RegresiónAjuste de los árboles de decisiónOtros algoritmosBosques aleatoriosRedes neuronalesMáquinas de vectores soporteClasificador Bayes ingenuoOtros patrones de aprendizaje en el aprendizaje automáticoConclusión
Comprender los datosPreprocesamiento de datos e ingeniería de rasgosTratamiento de los datos que faltanCodificación de datos categóricosTransformación de datosGestión de valores atípicosTratamiento de datos desequilibradosCombinar datosSelección de característicasDividir datos preprocesadosComprender los prejuiciosEl proceso de análisis predictivoLa fase de datosLa Etapa ModeloLa etapa de servirOtros componentesSeleccionar el modelo adecuadoConclusión
Anaconda y Jupyter NotebooksNumPy en PythonIntroducción a NumPyGenerar matricesRebanado de matricesTransformación de matricesOtras operaciones de la matrizExplorar un ejemplo de negocio utilizando PandasPandas en PythonImportar y ver datosVisualiza los datosLimpieza y modificación de datosLectura de diferentes fuentes de datosFiltrado y agrupación de datosScikit-learnEntrenar y predecir con un modelo de regresión linealUtilizar un clasificador forestal aleatorioEntrenar un árbol de decisiónUn ejemplo de agrupación (aprendizaje no supervisado)Conclusión
Fundamentos de TensorFlowRegresión lineal con TensorFlowPreparación de datosCreación de modelos y formaciónPredicciones y evaluación del modeloRedes neuronales profundas en TensorFlowConclusión
Recomendaciones óptimas de precios de venta al público basadas en prediccionesUtilizar un modelo de regresión lineal simpleUtilizar un modelo de regresión polinómicaUtilización de la regresión multivarianteIntroducción a los sistemas de recomendaciónConstruir sistemas de recomendación utilizando scikit sorpresa en PythonClasificación del fraude con tarjetas de créditoAnálisis básico del fraude con tarjetas de crédito mediante redes neuronales artificialesAnálisis ponderado del fraude con tarjetas de crédito mediante redes neuronales artificialesAnálisis de Tarjetas de Crédito con Múltiples Capas Ocultas en la Red Neuronal ArtificialConclusión
Nube o no nubeExplorar AWS SageMakerRequisitos previosIngesta y exploración de datosTransformación de datosEntrenamiento del modelo y predicciónLimpiezaExplorando las previsiones de AmazonImportar datosEntrenar al predictorCrear una previsiónAnálisis Y si...LimpiezaConclusión
Algunos casos de uso másNavegación y gestión del tráficoCalificación crediticiaEl impacto social de las prediccionesConclusión

Content preview from Análisis predictivo para la empresa moderna

Capítulo 4. Trabajar con datos

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

Con frecuencia, estamos ansiosos por construir, entrenar y utilizar modelos de aprendizaje automático (ML), y nos resulta emocionante implementarlos para determinar qué funciona y qué no. El resultado es inmediato, y la recompensa es satisfactoria. Lo que a menudo se ignora o no se discute lo suficiente es el preprocesamiento de los datos. En este capítulo, exploraremos varios tipos de datos, profundizando en la importancia del preprocesamiento de datos y la ingeniería de características, así como en sus técnicas asociadas y buenas prácticas. También trataremos el concepto de sesgo en los datos. El capítulo concluirá con una explicación de la canalización del análisis predictivo y algunas buenas prácticas en torno a la selección y el trabajo con modelos de ML.

Comprender los datos

Tradicionalmente, las empresas almacenan los datos en bases de datos y archivos planos, por lo que empezaremos el capítulo explorando los fundamentos de una base de datos relacional tradicional.

Una base de datos relacional almacena los datos en una o varias tablas. Las tablas tienen filas que representan registros de datos y columnas que representan características individuales. Con una base de datos de clientes, por ejemplo, cada fila podría representar a un cliente diferente, y podrías tener columnas para el ID_cliente, el nombre y el número de teléfono. ...