Data science : concepts and practice

Data science : concepts and practice /

Saved in:
Bibliographic Details
Main Authors: Kotu, Vijay (Author), Deshpande, Balachandre (Author)
Format: Electronic eBook
Language:English
Published: Cambridge, MA : Morgan Kaufmann Publishers, an imprint of Elsevier, [2019]
Edition:Second edition.
Subjects:
Data mining.
Electronic data processing.
Online Access:Connect to this title online (unlimited simultaneous users allowed; 325 uses per year)

MARC

LEADER 00000nam a2200000Ii 4500
001 b3207618
005 20240627104401.0
006 m o d
007 cr cnu|||unuuu
008 181203s2019 mau ob 001 0 eng d
020 |a 9780128147627  |q (electronic bk.) 
020 |a 0128147628  |q (electronic bk.) 
020 |z 9780128147610 
035 |a (OCoLC)1076873218 
035 |a (OCoLC)ebc5608228 
040 |a N$T  |b eng  |e rda  |e pn  |c N$T  |d N$T  |d NhCcYME  |d UtOrBLW 
050 4 |a QA76.9.D343  |b K67 2019 
072 7 |a COM  |x 000000  |2 bisacsh 
082 0 4 |a 006.312 
100 1 |a Kotu, Vijay,  |e author.  |0 http://id.loc.gov/authorities/names/no2015057014 
240 1 0 |a Predictive analytics and data mining  |0 http://id.loc.gov/authorities/names/n2021011452 
245 1 0 |a Data science :  |b concepts and practice /  |c Vijay Kotu, Bala Deshpande. 
250 |a Second edition. 
264 1 |a Cambridge, MA :  |b Morgan Kaufmann Publishers, an imprint of Elsevier,  |c [2019] 
300 |a 1 online resource. 
336 |a text  |b txt  |2 rdacontent 
337 |a computer  |b c  |2 rdamedia 
338 |a online resource  |b cr  |2 rdacarrier 
500 |a Previous edition under title: Predictive analytics and data mining : concepts and practice with RapidMiner. 
504 |a Includes bibliographical references and index. 
505 0 0 |a Machine generated contents note:   |g 1.1.  |t AI, Machine Learning, and Data Science --   |g 1.2.  |t What is Data Science? --   |g 1.3.  |t Case for Data Science --   |g 1.4.  |t Data Science Classification --   |g 1.5.  |t Data Science Algorithms --   |g 1.6.  |t Roadmap for This Book --   |t References --   |g 2.1.  |t Prior Knowledge --   |g 2.2.  |t Data Preparation --   |g 2.3.  |t Modeling --   |g 2.4.  |t Application --   |g 2.5.  |t Knowledge --   |t References --   |g 3.1.  |t Objectives of Data Exploration --   |g 3.2.  |t Datasets --   |g 3.3.  |t Descriptive Statistics --   |g 3.4.  |t Data Visualization --   |g 3.5.  |t Roadmap for Data Exploration --   |t References --   |g 4.1.  |t Decision Trees --   |g 4.2.  |t Rule Induction --   |g 4.3.  |t k-Nearest Neighbors --   |g 4.4.  |t Naive Bayesian --   |g 4.5.  |t Artificial Neural Networks --   |g 4.6.  |t Support Vector Machines --   |g 4.7.  |t Ensemble Learners --   |t References --   |g 5.1.  |t Linear Regression --   |g 5.2.  |t Logistic Regression --   |g 5.3.  |t Conclusion --   |t References --   |g 6.1.  |t Mining Association Rules --   |g 6.2.  |t Apriori Algorithm --   |g 6.3.  |t Frequent Pattern-Growth Algorithm --   |g 6.4.  |t Conclusion --   |t References --   |g 7.1.  |t k-Means Clustering --   |g 7.2.  |t DBSCAN Clustering --   |g 7.3.  |t Self-Organizing Maps --   |t References --   |g 8.1.  |t Confusion Matrix --   |g 8.2.  |t ROC and AUC --   |g 8.3.  |t Lift Curves --   |g 8.4.  |t How to Implement --   |g 8.5.  |t Conclusion --   |t References --   |g 9.1.  |t How It Works --   |g 9.2.  |t How to Implement --   |g 9.3.  |t Conclusion --   |t References --   |g 10.1.  |t AI Winter --   |g 10.2.  |t How it Works --   |g 10.3.  |t How to Implement --   |g 10.4.  |t Conclusion --   |t References --   |g 11.1.  |t Recommendation Engine Concepts --   |g 11.2.  |t Collaborative Filtering --   |g 11.3.  |t Content-Based Filtering --   |g 11.4.  |t Hybrid Recommenders --   |g 11.5.  |t Conclusion --   |t References --   |g 12.1.  |t Time Series Decomposition --   |g 12.2.  |t Smoothing Based Methods --   |g 12.3.  |t Regression Based Methods --   |g 12.4.  |t Machine Learning Methods --   |g 12.5.  |t Performance Evaluation --   |g 12.6.  |t Conclusion --   |t References --   |g 13.1.  |t Concepts --   |g 13.2.  |t Distance-Based Outlier Detection --   |g 13.3.  |t Density-Based Outlier Detection --   |g 13.4.  |t Local Outlier Factor --   |g 13.5.  |t Conclusion --   |t References --   |g 14.1.  |t Classifying Feature Selection Methods --   |g 14.2.  |t Principal Component Analysis --   |g 14.3.  |t Information Theory-Based Filtering --   |g 14.4.  |t Chi-Square-Based Filtering --   |g 14.5.  |t Wrapper-Type Feature Selection --   |g 14.6.  |t Conclusion --   |t References --   |g 15.1.  |t User Interface and Terminology --   |g 15.2.  |t Data Importing and Exporting Tools --   |g 15.3.  |t Data Visualization Tools --   |g 15.4.  |t Data Transformation Tools --   |g 15.5.  |t Sampling and Missing Value Tools --   |g 15.6.  |t Optimization Tools --   |g 15.7.  |t Integration with R --   |g 15.8.  |t Conclusion --   |t References. 
533 |a Electronic reproduction.  |b Ann Arbor, MI  |n Available via World Wide Web. 
588 0 |a Online resource; title from PDF title page (EBSCO, Dec. 5, 2018). 
588 0 |a Vendor-supplied metadata. 
650 0 |a Data mining.  |0 http://id.loc.gov/authorities/subjects/sh97002073 
650 0 |a Electronic data processing.  |0 http://id.loc.gov/authorities/subjects/sh85042288 
650 7 |a Data mining.  |2 fast  |0 (OCoLC)fst00887946 
650 7 |a Electronic data processing.  |2 fast  |0 (OCoLC)fst00906956 
700 1 |a Deshpande, Balachandre,  |e author.  |0 http://id.loc.gov/authorities/names/no2015042502 
856 4 0 |u https://ebookcentral.proquest.com/lib/santaclara/detail.action?docID=5608228  |z Connect to this title online (unlimited simultaneous users allowed; 325 uses per year)  |t 0 
907 |a .b32076186  |b 241001  |c 190114 
916 |a YBP DDA purchased 
918 |a .bckstg  |b 2016-12-01 
919 |a .pcat  |b 2016-12-01 
998 |a uww  |b 190724  |c m  |d z   |e l  |f eng  |g mau  |h 0 
999 f f |i ea854641-ebe2-5bd1-bf3b-94a647cf0062  |s ab2a8e16-8cf5-5e57-8cb0-ed88f17b9449  |t 0 

Similar Items