Machine Learning with R, 2nd Edition
Brett Lantz
- Editorial
- Packt
- Año
- 2015
- Páginas
- ~452
- Nivel
- Básico
De qué trata
Segunda edición del popular manual de Brett Lantz, consolidado como una de las introducciones más accesibles y pedagógicas al aprendizaje automático con R (entorno R 3.x). Está especialmente concebido para principiantes, estudiantes y profesionales que provienen de la estadística o el análisis empresarial y buscan aprender cómo funcionan los algoritmos de ML desde una perspectiva práctica y conceptual, sin barreras matemáticas intimidantes.
El autor expone el flujo metodológico completo de la disciplina: recolección de datos, exploración estadística, normalización y modelado. Aborda algoritmos clásicos de clasificación como k-vecinos más cercanos (k-NN con el paquete class), clasificación probabilística Naive Bayes combinada con procesamiento de lenguaje natural y minería de texto (con tm y e1071), árboles de decisión C5.0 y reglas OneR/RIPPER (RWeka); modelado numérico con regresión lineal múltiple y árboles de modelo con rpart y Cubist; métodos de caja negra como redes neuronales (neuralnet) y máquinas de soporte vectorial (kernlab); agrupamiento con k-means; reglas de asociación con arules; y técnicas avanzadas de validación cruzada y optimización con caret.
Cada algoritmo se enseña mediante un caso de estudio real con datos concretos: detección de cáncer de mama, filtrado de spam en mensajes SMS, riesgo crediticio para banca, estimación de gastos médicos, resistencia del hormigón, lectura OCR de caracteres y segmentación de audiencias en redes sociales. El libro destaca por su claridad expositiva y su capacidad para enseñar a interpretar los resultados analíticos. Deja fuera aspectos como el despliegue en contenedores, creación de APIs o flujos de trabajo en big data distribuido, por lo que se recomienda como el primer escalón formativo en data science.
- R 3.x
- Caret
- k-NN
- Naive Bayes
- Árboles C5.0
- Regresión lineal
- Redes neuronales
- SVM
- k-means
- Minería de texto
- Reglas de asociación
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Diagnóstico de cáncer de mama con k-NN
Clasificador médico que analiza características biométricas celulares para diferenciar biopsias tumorales benignas de malignas con el algoritmo k-Nearest Neighbors.
Filtro antispam para mensajes SMS
Pipeline de minería de texto y procesamiento de lenguaje natural que clasifica mensajes móviles entrantes utilizando el algoritmo Naive Bayes.
Evaluación de riesgo crediticio bancario
Modelo de solvencia financiera que clasifica solicitudes de préstamo e identifica clientes de alto riesgo crediticio mediante árboles de decisión C5.0.
Pronóstico de costes médicos individuales
Modelo de regresión lineal múltiple que proyecta los gastos sanitarios de asegurados a partir de variables demográficas y hábitos de vida.
Estimación de resistencia del concreto
Red neuronal artificial desarrollada con el paquete neuralnet que predice la resistencia a la compresión del hormigón según su composición química.
Reconocimiento óptico de caracteres (OCR)
Clasificador basado en Máquinas de Vectores de Soporte (SVM) con kernlab para identificar letras del alfabeto a partir de mediciones geométricas de imágenes.
Segmentación de mercado de adolescentes
Modelo no supervisado de clustering con k-means que identifica grupos de interés y patrones de comportamiento en perfiles de redes sociales.
