Este libro introduce a aquellos que no son Data Scientists (científicos de datos), ni tienen conocimientos particulares de matemáticas, en la metodología de Machine Learning (Apren­dizaje Automático), sus conceptos, sus principales algoritmos y la implementación de estos en Python usando Scikit-learn.

Comienza con una presentación del Machine Learning y, a conti­nuación, del método CRISP, sobre el que se aborda cada fase y sus diversas etapas. Los primeros capítulos tratan sobre el Business Understanding (conocimiento del negocio), la Data Understanding (compresión de los datos) y la Data Preparation (preparación de los datos). Estos capítulos presentan los análi­sis estadísticos de los conjuntos de datos (datasets) tanto en forma numérica como gráfica, así como las principales técnicas utilizadas para preparar los datos, su función y consejos sobre cómo utilizarlas.

A continuación, se dedican varios capítulos a cada tarea de Machine Learning: la clasificación, la regresión (con el caso es­pecial de la predicción), el clustering (agrupación) y, de forma más general, el aprendizaje no supervisado. Para cada tarea presentada, se detallan sucesivamente los criterios de evalua­ción, los conceptos en los que se basan los principales algorit­mos y su implementación usando Scikit-learn.

Para ilustrar los distintos capítulos, las técnicas y algoritmos pre­sentados se aplican a conjuntos de datos de uso frecuente: Iris (clasificar flores), Boston (prever el precio de venta de pisos) y Titanic (definir la probabilidad de supervivencia de los pasajeros de un barco). El código Python está comentado y puede des­cargarse (en forma de cuadernos Jupyter) a partir del sitio web www.ediciones-eni.com.