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: | 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. |
Lista(s) en las que aparece este ítem: Adquisiciones Ingeniería Industrial 2017-
Tipo de ítem | Ubicación actual | Colección | Signatura | Copia número | Estado | Fecha de vencimiento | Código de barras |
---|---|---|---|---|---|---|---|
Libro - General | Sede Cra 13 CYP | Colección General | 006.312/S558/2018 (Navegar estantería) | Ej. 1 | Disponible | 60593 | |
Libro - General | Sede Cra 13 CYP | Colección General | 006.312/S558/2018 (Navegar estantería) | Ej. 2 | Disponible | 60594 |
Navegando Sede Cra 13 Estantes, Ubicación: CYP, Código de colección: Colección General Cerrar el navegador de estanterías
006.31/M621/1983 Machine learning : an artificial intelligence approach / | 006.312 / A266 Data mining : the textbook / | 006.312 / P969 Data science for business : what yoy need to know about data mining and data-analytic thinking / | 006.312/S558/2018 Data mining for business analytics : concepts, techniques, and application in R / | 006.312/S558/2018 Data mining for business analytics : concepts, techniques, and application in R / | 006.312/S582/2017 Text mining with R : a tidy approach / | 006.32/K49/2019 Matlab deep learning : with machine learning, neural networks and artificial intelligence / |
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
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.
No hay comentarios en este titulo.