Data Science e Machine Learning
Dai dati alla conoscenza
-
- 9,99 €
-
- 9,99 €
Descrizione dell’editore
Estrarre conoscenza dalle informazioni attraverso l’analisi dei dati: quella del data scientist è stata definita la professione più attraente del XXI secolo. Analizzare le relazioni tra i dati, scoprire nuove informazioni e, con l'aiuto del machine learning, sfruttare l’enorme potenziale che vi si nasconde costruendo modelli previsionali.
In questo libro illustriamo le tecniche di analisi dei dati e di costruzione di algoritmi di Machine Learning e Deep Learning, passando dalle conoscenze teoriche alle applicazioni con il software statistico R, tramite ampi esempi pratici.
Cosa imparerai
- Matematica e algebra per il machine learning
- Utilizzo del software statistico R e R-Studio
- Statistica descrittiva e inferenziale per la data science
- Calcolo delle probabilità
- La preparazione dei dati e la feature engineering
- Progettare e validare gli algoritmi di machine learning
- Algoritmi di regressione, classificazione e clustering
- Fare previsioni basate su serie temporali
- I modelli di reti neurali e deep learning
- Raccontare i dati: data visualization & data storytelling
A chi è rivolto questo libro
Questo libro è rivolto a chiunque voglia imparare a manipolare ed analizzare i dati traendo da questi nuova conoscenza. Se sei un manager IT o un analista che vuole entrare nel mondo della Data Science e dei Big Data, se sei uno sviluppatore che vuole conoscere le nuove tendenze nel campo dell’Intelligenza Artificiale o sei semplicemente curioso di conoscere questo mondo, allora questo libro è per te.
Contenuti
- La data science e i modelli di analisi
- La gestione dei big data
- Analisi univariata e multivariata, probabilità e test d’ipotesi
- Esplorare e visualizzare i dati
- Preparazione e pulizia dei dati
- Apprendimento supervisionato: classificazione e regressione
- Apprendimento non supervisionato: clustering e riduzione dimensionale
- Apprendimento semi supervisionato
- Algoritmi di associazione e analisi delle serie temporali
- Misure di validazione ed ottimizzazione degli algoritmi
- Le reti neurali e il Deep Learning
- Reti Convoluzionali per il riconoscimento di immagini
- Reti Ricorrenti e LSMT per le sequenze
- Encoders per la feature selection
- Algoritmi generativi