000			03802nam a2200421 i 4500
001			31985
003			CO-BoDC
005			20250509143857.0
006			m o d
007			cr cnu---unuuu
008			s2023 ck a fo 001 0 spa d
020			_a9789587925265 (e-ISBN)
020			_a9789587925258 (Impreso)
024	7		_c31985 _2Identificador Ebook7-24
035			_a(Co-BoDC)31985
040			_aCO-BoDC _bspa _erda
082	0	4	_a005.133 _bO771 _222
100	1		_aOrtega Candel, José Manuel _eautor _9158384
245	1	0	_aBig Data, machine learning y data science en Python / _cJosé Manuel Ortega Candel
250			_aPrimera edición
264		1	_aBogotá, Colombia _bEdiciones de la U _bRA-MA Editorial _c2023
300			_a1 recurso en línea (406 páginas): _bilustraciones
336			_atexto _btxt _2rdacontent/spa
337			_acomputador _bc _2rdamedia/spa
338			_arecurso en linea _bcr _2rdacarrier/spa
347			_atexto _bPDF _2rda/spa
490	0		_aÁrea: Informática
504			_aIncluye referencias bibliográficas
505	0		_t1. Introducción a Big Data -- _t2. Arquitecturas Big Data -- _t3. Bases de datos para Big Data -- _t4. Introducción a la ciencia de datos y machine Learning -- _t5. Tratamiento de datos con Python -- _t6. Scikit-learn como librería de machine Learning -- _t7. Redes neuronales artificiales -- _t8. Plataforma Hadoop -- _t9. Procesamiento distribuído con apache Spark -- _t10. Pyspark como librería de procesamiento distribuido -- _t11. Entornos de ejecución Spark -- _t12. Mllib como módulo de machine Learning -- _t13. Sistemas de recomendación
506			_aAcceso en línea, autorizado para usuarios eBooks 7-24
520	1		_aEl 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: Introducir los conceptos de ciencias de datos y machine Learning. Introducir las principales librerías que podemos encontrar en Python para aplicar técnicas de machine Learning a los datos. 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. Dar a conocer los principales algoritmos para resolver problemas de machine Learning. Introducir Scikit-Learn como herramienta para resolver problemas de machine learning. Introducir Pyspark como herramienta para aplicar técnicas de Big data y Map-reduce. Introducir los sistemas de recomendación basados en contenidos. El 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 que se desarrollan en el libro lo que facilitara al lector a asimilar lo aprendido
588	0		_aVersión impresa
650	1	4	_aInformática _9158338
650	1	4	_aLenguajes de programación _924661
650	1	4	_aArquitectura Big Data _9158915
856	4	0	_uhttps://login.zproxy.cun.edu.co/login?url=https://www.ebooks7-24.com:443/?il=31985 _zAcceso al texto completo desde eBooks 7-24, dando clic aquí
856	4	2	_uhttps://login.zproxy.cun.edu.co/login?url=https://www.ebooks7-24.com:443/portadas/?ID=31985p _zAcceso a la imagen de portada, dando clic aquí
999			_c64841 _d64841