Big Data. Machine Learning y Data Science en Python

Sinopsis del producto

"El libro está dirigido aquellos lectores que estén trabajando en proyecto relacionados con big data y busquen identificar las características de una solución de Big Data, los datos asociados a estas soluciones, la infraestructura requerida, y las técnicas de procesamiento de esos datos. Entre los principales objetivos podemos destacar: n n• Introducir los conceptos de ciencias de datos y machine learning. n• Introducir las principales librerías que podemos encontrar en Python para aplicar técnicas de machine learning a los datos. n• Dar a conocer los pasos para construir un modelo de machine learning, desde la adquisición de datos, pasando por la generación de funciones, hasta la selección de modelos. n• Dar a conocer los principales algoritmos para resolver problemas de machine learning. n• Introducir scikit-learn como herramienta para resolver problemas de machine learning. n• Introducir pyspark como herramienta para aplicar técnicas de big data y map-reduce. n• Introducir los sistemas de recomendación basados en contenidos. n nEl libro trata de seguir un enfoque teórico-práctico con el objetivo de afianzar los conocimientos mediante la creación y ejecución de scripts desde la consola de Python. Además, complementa los contenidos con un repositorio alojado en el Material Adicional donde se pueden encontrar los ejemplos que se analizan a lo largo del libro para facilitar al lector las pruebas y asimilación de los contenidos teóricos. Desde la web del libro podrá descargar los ejemplos y ejercicios nque se desarrollan en el libro lo que facilitara al lector a asimilar lo aprendido." n n"CAPÍTULO 1. INTRODUCCIÓN A BIG DATA n1.1 INTRODUCCIÓN n1.2 DEFINICIÓN DE BIG DATA n1.3 TIPOS DE DATOS n1.4 CARACTERÍSTICAS DE BIG DATA n1.5 DESAFÍOS DE BIG DATA n1.6 TECNOLOGÍAS PARA BIG DATA n1.7 PERFILES BIG DATA n1.7.1 DIRECCIÓN DE DATOS(CHIEF DATA OFFICER-CDO) n1.7.2 CIENTÍFICO DE DATOS(SCIENTIST) n1.7.3 ANALISTA DE DATOS(DATA ANALYST) n1.7.4 INGENIERIO DE DATOS(DATA ENGINEER) n1.7.5 ARQUITECTO DE DATOS(DATA ARCHITECT) n1.7.6 GESTOR DE DATOS(DATA MANAGER) n1.7.7 CIUDADANO CIENTÍFICO DE DATOS(CITIZEN DATA SCIENTIST) n1.7.8 ADMINISTRADOR DE DATOS( DATA STEWARD) n1.7.9 TABLA COMPARATIVA n1.8 BIG DATA ANALYTICS nCAPÍTULO 2. ARQUITECTURAS BIG DATA n2.1 INTRODUCCIÓN n2.2 ACTORES PRINCIPALES EN UNA ARQUITECTURA BIG DATA n2.2.1 SISTEMA DE ORQUESTACIÓN n2.2.2 PROVEEDOR DE DATOS n2.2.3 PROVEEDOR DE APLICACIONES BIG DATA n2.2.4 PROVEEDOR DE INFRAESTRUCTURA BIG DATA n2.2.5 CONSUMIDOR DE DATOS n2.2.6 CAPA DE SEGURIDAD Y PRIVACIDAD n2.2.7 CAPA DE GESTIÓN. n2.3 TIPOS DE ARQUITECTURAS n2.3.1 PROCESAMIENTO BATCH n2.3.2 PROCESAMIENTO STREAMING n2.3.3 PROCESAMIENTO MAPREDUCE n2.4 ARQUITECTURA LAMBDA. n2.5 ARQUITECTURA KAPPA n2.6 APACHE KAFKA n2.7 ARQUITECTURA POR CAPAS n2.8 CASOS DE USO DE ARQUITECTURAS BIG DATA n2.8.1 AUTOMÓVILES EN UN MUNDO DE STREAMING n2.8.2 CONSTRUYENDO UN SISTEMA DE LINAJE DE DATOS n2.8.3 WOLFRAM LANGUAGE n2.9 BIG DATA LANDSCAPE n2.10 HERRAMIENTA PARA EL ANÁLISIS DE DATOS MASIVOS n2.11 CONCLUSIONES nCAPÍTULO 3. BASES DE DATOS PARA BIG DATA n3.1 INTRODUCCIÓN n3.2 COMPARACIÓN SQL VS NOSQL n3.3 BASES DE DATOS NOSQL n3.4 VENTAJAS DE LAS BASES DE DATOS NOSQL n3.5 TIPOS DE BASES DE DATOS NOSQL n3.6 IMPLANTANDO NOSQL n3.7 BASES DE DATOS DOCUMENTALES n3.7.1 CASOS DE USO BASES DE DATOS DOCUMENTALES n3.7.2 MONGODB n3.7.3 INDEXACIÓN EN MONGODB n3.7.4 REPLICACIÓN EN MONGODB n3.7.5 USO DE MONGODB DESDE PYTHON n3.7.6 COUCHDB n3.7.7 ARQUITECTURA DE COUCHDB n3.8 BASES DE DATOS ORIENTADAS A COLUMNAS n3.8.1 APACHE CASSANDRA n3.8.2 CONSISTENCIA EN APACHE CASSANDRA n3.8.3 CASOS DE USO n3.9 BASES DE DATOS CLAVE-VALOR(KEY-VALUE) n3.9.1 REDIS n3.10 BASES DE DATOS ORIENTADAS A GRAFOS n3.10.1 CASOS DE USO BASES DATOS DE GRAFOS n3.10.2 NEO4J n3.11 TEOREMA CAP n3.12 CONCLUSIONES NOSQL nCAPÍTULO 4. INTRODUCCIÓN A LA CIENCIA DE DATOS Y nMACHINE LEARNING n4.1 DEFINICIÓN DE CIENCIA DE DATOS n4.2 DEFINICIONES DE APRENDIZAJE Y MACHINE LEARNING n4.3 SISTEMAS EXPERTOS n4.4 MINERÍA DE DATOS ( DATA MINING) n4.4.1 INTEGRACIÓN Y RECOPILACIÓN DE INFORMACIÓN n4.4.2 SELECCIÓN, LIMPIEZA Y TRANSFORMACIÓN DE DATOS n4.4.3 TÉCNICAS DE MINERÍA DE DATOS n4.5 INTRODUCCIÓN AL APRENDIZAJE AUTOMÁTICO n4.6 TIPOS DE APRENDIZAJE AUTOMÁTICO. n4.7 APRENDIZAJE SUPERVISADO VS NO SUPERVISADO n4.7.1 APRENDIZAJE SUPERVISADO:CLASIFICACIÓN Y REGRESIÓN n4.7.2 ÁRBOLES DE DECISIÓN n4.7.3 ALGORITMO K-NEAREST NEIGHBOR n4.7.4 APRENDIZAJE NO SUPERVISADO n4.8 TÉCNICAS DE MACHINE LEARNING n4.9 PROBLEMA DEL SOBREENTRENAMIENTO n4.9.1 CÓMO EVITAR EL SOBREENTRENAMIENTO n4.10 FASES PARA ABORDAR UN PROBLEMA DE ML n4.10.1 PASOS PARA CONSTRUIR UN MODELO DE ML n4.10.2 EVALUACIÓN DE MODELOS nCAPÍTULO 5. TRATAMIENTO DE DATOS CON PYTHON n5.1 JUPYTER NOTEBOOK n5.2 MERCURY n5.3 NUMPY n5.4 SCIPY n5.5 PANDAS n5.5.1 ESTRUCTURAS DE DATOS EN PANDAS n5.5.2 SERIES n5.5.3 DATAFRAMES n5.5.4 LECTURA DE UN FICHERO CSV CON PANDAS n5.5.5 ALTERNATIVAS A PANDAS. n5.6 LECTURA DE UN FICHERO JSON n5.7 LECTURA Y ESCRITURA EN FORMATO PICKLE nCAPÍTULO 6. SCIKIT-LEARN COMO LIBRERÍA DE MACHINE LEARNING n6.1 INTRODUCCIÓN A SCIKIT-LEARN n6.2 DATASETS EN SCIKIT-LEARN n6.3 CARGANDO CONJUNTOS DE DATOS EN SCIKIT-LEARN. n6.3.1 CONJUNTOS DE DATOS GENERADOS DE FORMA ALEATORIA n6.4 DIVIDIR DATOS DE ENTRENAMIENTO Y TEST. n6.5 APRENDIZAJE AUTOMÁTICO CON SCIKIT-LEARN. n6.5.1 ESTABLECER UNA METODOLOGÍA DE EVALUACIÓN n6.6 REGRESIÓN LINEAL n6.6.1 IMPLEMENTACIÓN DE REGRESIÓN LINEAL n6.6.2 PREDECIR EL VALOR DEL ALQUILER DE LAS VIVIENDAS n6.7 ALGORITMO DE REGRESIÓN LOGÍSTICA n6.7.1 VALIDACIÓN CRUZADA EN SCIKIT-LEARN n6.7.2 OBTENER LA MATRIZ DE CONFUSIÓN n6.8 INTRODUCCIÓN A LOS ÁRBOLES DE DECISIÓN n6.8.1 ALGORITMO DE ÁRBOLES DE DECISIÇON EN SCIKIT-LEARN n6.9 SVM COMO ALGORITMO DE MÁQUINAS DE VECTORES DE SOPORTE n6.9.1 ALGORITMO DE SUPPORT VECTOR MACHINE EN SCIKIT-LEARN n6.9.2 OPTIMIZANDO PARÁMETROS CON GRIDSEARCHCV n6.10 KNN COMO ALGORITMO DE CLASIFICACIÓN SUPERVISADA n6.10.1 IMPLEMENTACIÓN DE KNEIGHBORSCLASSIFIER n6.10.2 RADIUSNEIGHBORSCLASSIFIER n6.11 CLUSTERING Y APRENDIZAJE NO SUPERVISADO n6.12 EXTRACCIÓN DE CARACTERÍSTICAS nCAPÍTULO 7. REDES NEURONALES ARTIFICIALES n7.1 INTRODUCCIÓN n7.2 PERCEPTRÓN SIMPLE n7.3 PERCEPTRÓN MULTICAPA n7.4 RED NEURONAL RECURRENTE n7.5 RED NEURONAL CONVOLUCIONAL(CNN) n7.6 REDES NEURONALES CON TENSOR FLOW n7.6.1 ALGORITMO DE BACKPROPAGATION n7.6.2 PLAYGROUND TENSOR FLOW n7.6.3 INTRODUCCIÓN A TENSOR FLOW n7.6.4 FUNCIONAMIENTO DE TENSOR FLOW n7.7 USO DE LA LIBRERÍA KERAS EN DEEP LEARNING n7.8 USO DE GOOGLE COLAB. n7.9 REDES NEURONALES CON SKLEARN n7.10 TABLA COMPARATIVA nCAPÍTULO 8. PLATAFORMA HADOOP n8.1 INTRODUCCIÓN n8.2 HERRAMIENTAS n8.3 SERVICIOS Y HERRAMIENTAS DEL ECOSISTEMA HADOOP n8.4 HADOOP DISTRIBUTED FILE SYSTEM (HDFS) n8.5 HADOOP MAPREDUCE n8.6 INTRODUCCIÓN A MAPREDUCE n8.7 DISTRIBUCIONES HADOOP n8.7.1 CLOUDERA n8.8 CONCLUSIONES nCAPÍTULO 9. PROCESAMIENTO DISTRIBUÍDO CON APACHE SPARK n9.1 INTRODUCCIÓN n9.2 INTRODUCCIÓN AL PROCESAMIENTO DISTRIBUÍDO n9.3 INTRODUCCIÓN A APACHE SPARK n9.4 ECOSISTEMA DE APACHE SPARK n9.5 VENTAJAS DE APACHE SPARK n9.6 ARQUITECTURA DE APACHE SPARK n9.7 RDD (RESILIENT DISTRIBUTED DATASETS) n9.8 SPARK CON SCALA n9.9 SPARK PARA CIENTÍFICO DE DATOS nCAPÍTULO 10. PYSPARK COMO LIBRERÍA DE PROCESAMIENTO DISTRIBUÍDO n10.1 INSTALACIÓN DE APACHE SPARK n10.2 INTRODUCCIÓN A DOCKER n10.3 INSTALAR Y EJECUTAR PYSPARK CON DOCKER n10.4 API DE SPARK EN PYTHON n10.5 INTRODUCCIÓN A PYSPARK n10.6 MAPREDUCE A PYSPARK n10.7 TRABAJANDO CON SPARK SQL Y DATAFRAMES n10.8 SPARK STREAMING nCAPÍTULO 11. ENTORNOS DE EJECUCIÓN SPARK n11.1 INTRODUCCIÓN n11.2 FINDSPARK n11.3 DATABRICKS:INTRODUCCIÓN A SPARK EN LA NUBE n11.4 APACHE ZEPPELIN nCAPÍTULO 12. MLLIB COMO MÓDULO DE MACHINE LEARNING n12.1 INTRODUCCIÓN. n12.2 REGRESIÓN LINEAL CON PYSPARK n12.3 CLUSTERING CON PYSPARK n12.4 CLASIFICACIÓN MENSAJES SPAM CON PYSPARK nCAPÍTULO 13. SISTEMAS DE RECOMENDACIÓN n13.1 INTRODUCCIÓN. n13.2 TIPOS DE SISTEMAS DE RECOMENDACIÓN n13.4 FILTRADO COLABORATIVO nMATERIAL ADICIONAL

9786075761428

Ortega Candel, José Manuel