000 -Record Label |
fixed length control field |
02321nam a22002895i 4500 |
005 - Identificador da versão |
control field |
20231110140212.0 |
010 ## - ISBN - International Standard Book Number |
Número (ISBN) |
978-3-031-02363-7 |
Modalidade de aquisição e/ou preço |
compra |
100 ## - Entrada principal |
Dados gerais de processamento |
20231023d2023 k||y0pory50 ba |
101 ## - Língua do documento |
Língua do texto, banda sonora, etc. |
eng |
102 ## - País da publicação |
País de publicação |
Switzerland, Swiss Confederation |
200 ## - Título |
Título próprio |
Thinking data science |
Indicação geral da natureza do documento |
Documento eletrónico |
Informação de outro título |
a data science practitioner's guide |
Primeira menção de responsabilidade |
by Poornachandra Sarang |
210 ## - Local de edição |
Lugar da edição, distribuição, etc. |
Cham |
Nome do editor, distribuidor, etc. |
Springer |
Data da publicação, distribuição, etc. |
2023 |
215 ## - Descrição física (Vol.pg.fl.tm.fsc) |
Descrição física |
XX, 358 p. |
Outras indicações físicas |
il. |
225 ## - Coleção |
Título próprio da colecção |
The Springer Series in Applied Machine Learning |
303 ## - Notas Informação descritiva |
Texto da nota |
This definitive guide to Machine Learning projects answers the problems an aspiring or experienced data scientist frequently has: Confused on what technology to use for your ML development? Should I use GOFAI, ANN/DNN or Transfer Learning? Can I rely on AutoML for model development? What if the client provides me Gig and Terabytes of data for developing analytic models? How do I handle high-frequency dynamic datasets? This book provides the practitioner with a consolidation of the entire data science process in a single "Cheat Sheet". The challenge for a data scientist is to extract meaningful information from huge datasets that will help to create better strategies for businesses. Many Machine Learning algorithms and Neural Networks are designed to do analytics on such datasets. For a data scientist, it is a daunting decision as to which algorithm to use for a given dataset. Although there is no single answer to this question, a systematic approach to problem solving is necessary. This book describes the various ML algorithms conceptually and defines/discusses a process in the selection of ML/DL models. The consolidation of available algorithms and techniques for designing efficient ML models is the key aspect of this book. Thinking Data Science will help practising data scientists, academicians, researchers, and students who want to build ML models using the appropriate algorithms and architectures, whether the data be small or big. |
606 ## - Nome comum como assunto |
Elemento de entrada |
Machine learning |
606 ## - Nome comum como assunto |
Elemento de entrada |
Artificial intelligence |
Subdivisão de assunto |
Data processing |
606 ## - Nome comum como assunto |
Elemento de entrada |
Artificial intelligence |
680 ## - Classificação Biblioteca Congresso |
Notação |
Q325.5-.7 |
700 ## - Autor (resp. principal) |
Palavra de ordem |
Sarang |
Outra parte do nome |
Poornachandra |
Koha Internal Code |
70489 |
801 ## - Fonte de origem |
País |
Portugal |
Regras de catalogação |
RPC |
856 ## - URL Endereço WEB |
URL |
https://doi.org/10.1007/978-3-031-02363-7 |
942 ## - Elementos de entrada adicionados (Koha) |
Fonte da classificação ou esquema de estante |
|
Tipo de item no Koha |
E-Books |
Suprimido |
0 |