MACHINE LEARNING CON MATLAB. TÉCNICAS DE APRENDIZAJE NO SUPERVISADO: CLASIFICACIÓN (Spanish Edition) [Spanish]

By César Pérez López

El Machine Learning puede definirse como un proceso de descubrimiento de relaciones, patrones y tendencias nuevas y significativas al examinar grandes cantidades de datos. Las t cnicas de miner a de datos persiguen el descubrimiento autom tico de los conocimientos contenidos en la informaci n almacenada de manera ordenada en grandes bases de datos. Estas t cnicas tienen por objeto descubrir pautas, perfiles y tendencias mediante el an lisis de datos utilizando t cnicas estad sticas avanzadas de an lisis multivariado de datos. El objetivo es permitir que el investigador-analista encuentre una soluci n til al problema planteado mediante una mejor comprensi n de los datos existentes.El Machine Learning utiliza dos tipos de t cnicas: las t cnicas de aprendizaje supervisado o predictivas, que capacitan a un modelo sobre datos de entrada y salida conocidos para que pueda predecir los resultados futuros, y las t cnicas de aprendizaje no supervisado o descriptivas, que encuentran patrones ocultos o estructuras intr nsecas en los datos de entrada. Las t cnicas de aprendizaje supervisado utilizan t cnicas de clasificaci n y regresi n para desarrollar modelos de predicci n. Las t cnicas de aprendizaje no supervisado o descriptivas, que son el objetivo de este libro, encuentran patrones ocultos o estructuras intr nsecas en los datos. La agrupaci n o cl ster es la t cnica descriptiva m s com n. Se utiliza para el an lisis exploratorio de datos para encontrar patrones ocultos o agrupaciones en los datos. Las aplicaciones de la agrupaci n incluyen el an lisis de secuencias gen ticas, la investigaci n de mercado y el reconocimiento de objetos. Este libro desarrolla t cnicas descriptivas de clasificaci n ilustr ndolas con gran variedad de ejemplos resueltos con MATLAB.

• Format: Paperback
• Language: Spanish
• ISBN: B08NDVKRK1
• ISBN13: 9798565548440
• Release Date: November 2020
• Publisher: Independently published
• Length: 311 Pages
• Weight: 1.60 lbs.
• Dimensions: 11.0" x 0.7" x 8.5"