Normal view MARC view ISBD view
Tipo: materialTypeLabelLibro - General
Ubicación Física: 006.312 / S558 2018

Data mining for business analytics : concepts, techniques, and application in R /

Autor: Shmueli, Galit.
Otros Autores: Bruce, Peter C. ( autor ) ; Yahav, Inbal ( autor ) ; Patel, Nitin R. ( autor ) .
Otros Autores: Lichtendahl, Kenneth C.
Pié de imprenta: Hoboken, New Jersey : John Wiley & Sons, 2018.
Descripción: 544 páginas ; ilustraciones, gráficas ; 18 x 26 cm.
ISBN: 9781118879368.
Tema(s):
Contenido: Part I. Preliminares. 1. Introduiction. 2. Overview of the data mining process. Part II. Data exploration and dimension reduction. 3. Data visualization. 4. Dimension reduction. Part III. Performance evaluation. 5. Evaluating predictive performance. Part IV. Prediction and classification methods. 6. Multiple linear regression. 7. k-Nearest neighbors (kNN) 8. The Naive bayes classifier. 9. Classification and regression trees. 10. Logistic regression. 11. Neural nets. 12. Discriminant analysis. 13. Combining methods: ensembles and Uplitt modeling. Part V. Mining relationships among records. 14. Association rules and collaborative filtering. 15. Cluster analysis. Part VI. Forecasting time series. 16. Handling time series. 17. Regression-based forecasting. Part VII. Data analytics. 19. Social network analytics. 20. Text mining. Part VIII. Cases. 21. Cases.
Contenido: Parte I. Preliminares. 1. Introdución. 2. Visión general del proceso de minería de datos. Parte II. Exploración de datos y reducción de dimensiones. 3. Visualización de datos. 4. Reducción de la dimensión. Parte III. Evaluación del desempeño. 5. Evaluar el rendimiento predictivo. Parte IV. Métodos de predicción y clasificación. 6. Regresión lineal múltiple. 7. K-vecinos más cercanos (kNN) 8. El clasificador Naive Bayes. 9. Clasificación y regresión de árboles. 10. Regresión logística. 11. Redes neuronales. 12. Análisis discriminante. 13. Métodos de combinación: conjuntos y modelado Uplitt. Parte V. Relaciones mineras entre registros. 14. Reglas de asociación y filtrado colaborativo. 15. Análisis de conglomerados. Parte VI. Predicción de series de tiempo. 16. Manejo de series de tiempo. 17. Previsión basada en la regresión. Parte VII. Datos analíticos. 19. Análisis de redes sociales. 20. Minería de textos. Parte VIII. Casos 21. Casos.
Resumen:

List(s) this item appears in: Adquisiciones Industrial 2017-
Tags from this library: No tags from this library for this title. Log in to add tags.
    average rating: 0.0 (0 votes)
Item type Current location Collection Call number Copy number Status Date due Barcode
Libro - General Libro - General Biblioteca UCATOLICA
Carrera 13
Colección General 006.312/S558/2018 (Browse shelf) Ej. 1 Available (Acceso Libre) 60593
Libro - General Libro - General Biblioteca UCATOLICA
Vitrina
Colección General 006.312/S558/2018 (Browse shelf) Ej. 2 Available 60594
Browsing Biblioteca UCATOLICA Shelves , Shelving location: Carrera 13 , Collection code: Colección General Close shelf browser
006.31 / H356 The elements of statistical learning : 006.312 / A266 Data mining : 006.312 / P969 Data science for business : 006.312/S558/2018 Data mining for business analytics : 006.33 / C352 Sistemas expertos : 006.33 / M613 Expert systems in factory management : 006.33 / M613 Expert systems in factory management :

Part I. Preliminares. 1. Introduiction. 2. Overview of the data mining process. Part II. Data exploration and dimension reduction. 3. Data visualization. 4. Dimension reduction. Part III. Performance evaluation. 5. Evaluating predictive performance. Part IV. Prediction and classification methods. 6. Multiple linear regression. 7. k-Nearest neighbors (kNN) 8. The Naive bayes classifier. 9. Classification and regression trees. 10. Logistic regression. 11. Neural nets. 12. Discriminant analysis. 13. Combining methods: ensembles and Uplitt modeling. Part V. Mining relationships among records. 14. Association rules and collaborative filtering. 15. Cluster analysis. Part VI. Forecasting time series. 16. Handling time series. 17. Regression-based forecasting. Part VII. Data analytics. 19. Social network analytics. 20. Text mining. Part VIII. Cases. 21. Cases.

Parte I. Preliminares. 1. Introdución. 2. Visión general del proceso de minería de datos. Parte II. Exploración de datos y reducción de dimensiones. 3. Visualización de datos. 4. Reducción de la dimensión. Parte III. Evaluación del desempeño. 5. Evaluar el rendimiento predictivo. Parte IV. Métodos de predicción y clasificación. 6. Regresión lineal múltiple. 7. K-vecinos más cercanos (kNN) 8. El clasificador Naive Bayes. 9. Clasificación y regresión de árboles. 10. Regresión logística. 11. Redes neuronales. 12. Análisis discriminante. 13. Métodos de combinación: conjuntos y modelado Uplitt. Parte V. Relaciones mineras entre registros. 14. Reglas de asociación y filtrado colaborativo. 15. Análisis de conglomerados. Parte VI. Predicción de series de tiempo. 16. Manejo de series de tiempo. 17. Previsión basada en la regresión. Parte VII. Datos analíticos. 19. Análisis de redes sociales. 20. Minería de textos. Parte VIII. Casos 21. Casos.

Industrial

Data Mining for Business Analytics: Concepts, Techniques, and Applications in R presents an applied approach to data mining concepts and methods, using R software for illustration
Readers will learn how to implement a variety of popular data mining algorithms in R (a free and open-source software) to tackle business problems and opportunities.
This is the fifth version of this successful text, and the first using R. It covers both statistical and machine learning algorithms for prediction, classification, visualization, dimension reduction, recommender systems, clustering, text mining and network analysis. It also includes:
• Two new co-authors, Inbal Yahav and Casey Lichtendahl, who bring both expertise teaching business analytics courses using R, and data mining consulting experience in business and government
• Updates and new material based on feedback from instructors teaching MBA, undergraduate, diploma and executive courses, and from their students
• More than a dozen case studies demonstrating applications for the data mining techniques described
• End-of-chapter exercises that help readers gauge and expand their comprehension and competency of the material presented
• A companion website with more than two dozen data sets, and instructor materials including exercise solutions, PowerPoint slides, and case solutions www.dataminingbook.com
Data Mining for Business Analytics: Concepts, Techniques, and Applications in R is an ideal textbook for graduate and upper-undergraduate level courses in data mining, predictive analytics, and business analytics. This new edition is also an excellent reference for analysts, researchers, and practitioners working with quantitative methods in the fields of business, finance, marketing, computer science, and information technology.

La minería de datos para Business Analytics: conceptos, técnicas y aplicaciones en R presenta un enfoque aplicado a los conceptos y métodos de minería de datos, utilizando el software R para la ilustración
Los lectores aprenderán cómo implementar una variedad de algoritmos populares de minería de datos en R (un software gratuito y de código abierto) para abordar problemas y oportunidades comerciales.
Esta es la quinta versión de este texto exitoso y la primera que usa R. Cubre los algoritmos estadísticos y de aprendizaje automático para la predicción, clasificación, visualización, reducción de dimensión, sistemas de recomendación, agrupación, extracción de texto y análisis de redes. También incluye:
• Dos nuevos coautores, Inbal Yahav y Casey Lichtendahl, que aportan experiencia en la enseñanza de cursos de análisis de negocios usando R, y experiencia en consultoría de minería de datos en negocios y gobierno
• Actualizaciones y nuevo material basado en los comentarios de los instructores que imparten cursos de MBA, licenciatura, diploma y cursos ejecutivos, y de sus estudiantes.
• Más de una docena de casos de estudio que demuestran aplicaciones para las técnicas de extracción de datos descritas
• Ejercicios de fin de capítulo que ayudan a los lectores a evaluar y ampliar su comprensión y competencia del material presentado.
• Un sitio web complementario con más de dos docenas de conjuntos de datos y materiales para instructores que incluyen soluciones de ejercicios, diapositivas de PowerPoint y soluciones de casos www.dataminingbook.com
Data Mining para Business Analytics: conceptos, técnicas y aplicaciones en R es un libro de texto ideal para cursos de posgrado y de nivel superior en minería de datos, análisis predictivo y análisis de negocios. Esta nueva edición es también una excelente referencia para analistas, investigadores y profesionales que trabajan con métodos cuantitativos en los campos de negocios, finanzas, marketing, informática y tecnología de la información.

There are no comments for this item.

Log in to your account to post a comment.

Click on an image to view it in the image viewer

Universidad Católica de Colombia
La Universidad Católica de Colombia es una Institución de Educación Superior sujeta a inspección y vigilancia por el Ministerio de Educación, reconocida mediante Resolución Número 2271 de julio 7 de 1970 del Ministerio de Justicia.
Universidad Católica de Colombia © Copyright 2017
Universidad Católica de Colombia • PBX: (57 1) 3 27 73 00 - (57 1) 3 27 73 33
Bogotá, Avenida Caracas # 46 -72, sede Las Torres • Bogotá, Carrera 13 # 47 – 30, Sede 4​ • Bogotá, Diagonal 46 A # 15 B – 10, sede El Claustro
Bogotá, Carrera 13 # 47 – 49, sede Carrera 13