Learning Data Mining with Python

Guía técnica y práctica escrita por Robert Layton y publicada por Packt Publishing en 2015. El libro enseña a aplicar técnicas de minería de datos y aprendizaje automático utilizando el ecosistema de Python (Python 2.7 y 3.4 junto a Jupyter/IPython Notebook). Está dirigido a programadores y analistas de nivel principiante en ciencia de datos que ya tienen nociones básicas de sintaxis de Python y desean resolver problemas reales de extracción de información y predicción estadística, sin necesidad de dominar demostraciones matemáticas complejas de antemano.

El texto se sumerge de lleno en las librerías imprescindibles del análisis de datos en Python: scikit-learn, pandas, NumPy, NLTK y NetworkX. Comienza con implementaciones manuales del algoritmo OneR (One Rule) y análisis de afinidad básico para afianzar conceptos, para luego explotar las clases maestras de scikit-learn (fit, predict, Pipeline y transformadores personalizados). Enseña algoritmos de clasificación supervisada como K-Nearest Neighbors (KNN), árboles de decisión, Random Forests y Naive Bayes; reglas de asociación y minería de conjuntos frecuentes con el algoritmo Apriori; extracción, escalado y selección de características; procesamiento de lenguaje natural y análisis de sentimientos sobre publicaciones de redes sociales consumidas vía la API de Twitter; minería de grafos para redes sociales; visión computacional con redes neuronales simples; atribución de autoría mediante Support Vector Machines (SVM); y agrupamiento no supervisado con k-means.

El libro adopta una metodología de aprendizaje guiada por casos de uso y proyectos del mundo real: pronosticar resultados de partidos de baloncesto de la NBA a partir de estadísticas históricas, construir un motor de recomendación de películas sobre MovieLens, capturar y clasificar tuits en tiempo real, segmentar y descifrar caracteres de imágenes CAPTCHA con redes neuronales, atribuir la autoría de correos del dataset de Enron mediante estilometría y agrupar noticias de la web recolectadas con la API de Reddit. Su principal fortaleza radica en su orientación directa al código ejecutable y a flujos de trabajo funcionales. Como punto en contra, al estar publicado en 2015, varias librerías han evolucionado y requieren actualizar métodos deprecados para su ejecución actual. Conviene contar con agilidad en el uso de estructuras de datos y manejo de ficheros en Python.