000			03463nam a2200337Ii 4500
001			149446
003			CL-VaUPLA
005			20251209145344.0
008			230117s xxu eng d
020			_a978-0-262-5343-4
040			_aCL-VaUPLA _bspa _cCL-VaUPLA _erda
044			_axxk
082	0	4	_221 _a005.7 K29 2018
100	1		_aKelleher, John D., _d1974- , _924192 _eautor
245	1	0	_aData science / _cJohn D. Kelleher and Brendan Tierney
264		1	_aMassachusetts : _bThe MIT Press, _c2018
300			_axi, 264 páginas : _bdiagramas, gráficos, tablas
336			_atexto _btxt _2rdacontent
337			_aNo mediado _bn _2rdamedia
338			_aVolumen _bnc _2rdacarrier
490	0		_aThe Mit Press Essential Knowledge Series
504			_aIncluye referencias bibliográficas
505	0		_a1. What is data science?- 2. What are data, and what is a data set? -3. A data science ecosystem - 4. Machine learning 101 - 5. Standard data science tasks - 6. Privacy and ethics - 7. Future trends and principles of success
520			_aUna breve introducción al campo emergente de la ciencia de datos, que explica su evolución, su relación con el aprendizaje automático, sus usos actuales, los problemas de infraestructura de datos y los desafíos éticos. El objetivo de la ciencia de datos es mejorar la toma de decisiones mediante el análisis de datos. Hoy en día, la ciencia de datos determina los anuncios que vemos en línea, los libros y películas que nos recomiendan, los correos electrónicos que se filtran a nuestra carpeta de correo no deseado e incluso cuánto pagamos por el seguro médico. Este volumen de la serie Essential Knowledge de MIT Press ofrece una introducción concisa al campo emergente de la ciencia de datos, explicando su evolución, usos actuales, problemas de infraestructura de datos y desafíos éticos. Nunca ha sido tan fácil para las organizaciones recopilar, almacenar y procesar datos. El uso de la ciencia de datos está impulsado por el auge del big data y las redes sociales, el desarrollo de la computación de alto rendimiento y la aparición de métodos tan potentes para el análisis y modelado de datos como el aprendizaje profundo. La ciencia de datos abarca un conjunto de principios, definiciones de problemas, algoritmos y procesos para extraer patrones no obvios y útiles de grandes conjuntos de datos. Está estrechamente relacionada con los campos de la minería de datos y el aprendizaje automático, pero su alcance es más amplio. Este libro ofrece una breve historia del campo, introduce conceptos fundamentales de datos y describe las etapas de un proyecto de ciencia de datos. Analiza la infraestructura de datos y los desafíos que plantea la integración de datos de múltiples fuentes, introduce los fundamentos del aprendizaje automático y analiza cómo vincular la experiencia en aprendizaje automático con problemas del mundo real. El libro también analiza cuestiones éticas y legales, los avances en la regulación de datos y los enfoques computacionales para preservar la privacidad. Finalmente, considera el impacto futuro de la ciencia de datos y ofrece principios para el éxito de los proyectos de ciencia de datos.
650		4	_aAPRENDIZAJE AUTOMATICO (INTELIGENCIA ARTIFICIAL)
650		4	_aBIG DATA
650		4	_aMACHINE LEARNING
700	1		_aTierney, Brendan, _d1970- , _924193 _eautor
942			_2ddc _cLB _n0
998			_cAAR/AAC _d11/08/2025
999			_c123312 _d123312