Python Machine Learning Case Studies

Guía práctica y compacta en la que Danish Haroon enseña cómo abordar y resolver problemas habituales de la ciencia de datos mediante un enfoque centrado en casos de uso reales con Python (Python 3). Diseñada para desarrolladores, analistas de datos y profesionales de TI de nivel intermedio que ya manejan la sintaxis básica del lenguaje, el texto cubre desde la formulación de hipótesis estadísticas hasta la interpretación crítica de los resultados arrojados por los modelos.

A lo largo de sus capítulos, el autor introduce fundamentos indispensables de probabilidad, distribuciones continuas y discretas, y pruebas de contraste, pasando rápidamente a la aplicación práctica con las bibliotecas estándar del ecosistema Python: pandas y NumPy para la manipulación y perfilado tabular de datasets; matplotlib y seaborn para el diagnóstico gráfico; scikit-learn para entrenar modelos de regresión lineal, algoritmos de clustering (K-Means) y clasificadores supervisados; y statsmodels para el análisis riguroso de series temporales (descomposición de componentes de tendencia y estacionalidad, y pruebas de estacionariedad como Dickey-Fuller). Asimismo, examina a fondo métricas de desempeño como matrices de confusión, precisión, exhaustividad y curvas ROC-AUC.

El libro desarrolla cinco proyectos prácticos basados en datos abiertos: un análisis exploratorio y probabilístico del servicio de bicicletas públicas de Seattle, un modelo de regresión con selección de variables predictoras, un pronóstico temporal sobre datos secuenciales, una segmentación de clientes para optimización de marketing relacional, y un clasificador evaluado exhaustivamente con curvas ROC. Con apenas 200 páginas, su valor radica en ir directo al grano sin digresiones teóricas excesivas ni matemáticas abrumadoras. Deja fuera el aprendizaje profundo, el procesamiento de Big Data y el despliegue de microservicios, siendo ideal como lectura rápida y complementaria para afianzar el flujo de trabajo de la analítica supervisada y no supervisada.