E-BOOK – BIG DATA, MACHINE LEARNING Y DATA SCIENCE EN PYTHON Echt

CAPÍTULO 1. INTRODUCCIÓN A BIG DATA1.1 INTRODUCCIÓN1.2 DEFINICIÓN DE BIG DATA1.3 TIPOS DE DATOS1.4 CARACTERÍSTICAS DE BIG DATA1.5 DESAFÍOS DE BIG DATA1.6 TECNOLOGÍAS PARA BIG DATA1.7 PERFILES BIG DATA1.7.1 DIRECCIÓN DE DATOS(CHIEF DATA OFFICER-CDO)1.7.2 CIENTÍFICO DE DATOS(SCIENTIST)1.7.3 ANALISTA DE DATOS(DATA ANALYST)1.7.4 INGENIERIO DE DATOS(DATA ENGINEER)1.7.5 ARQUITECTO DE DATOS(DATA ARCHITECT)1.7.6 GESTOR DE DATOS(DATA MANAGER)1.7.7 CIUDADANO CIENTÍFICO DE DATOS(CITIZEN DATA SCIENTIST)1.7.8 ADMINISTRADOR DE DATOS( DATA STEWARD)1.7.9 TABLA COMPARATIVA1.8 BIG DATA ANALYTICSCAPÍTULO 2. ARQUITECTURAS BIG DATA2.1 INTRODUCCIÓN2.2 ACTORES PRINCIPALES EN UNA ARQUITECTURA BIG DATA2.2.1 SISTEMA DE ORQUESTACIÓN2.2.2 PROVEEDOR DE DATOS2.2.3 PROVEEDOR DE APLICACIONES BIG DATA2.2.4 PROVEEDOR DE INFRAESTRUCTURA BIG DATA2.2.5 CONSUMIDOR DE DATOS2.2.6 CAPA DE SEGURIDAD Y PRIVACIDAD2.2.7 CAPA DE GESTIÓN.2.3 TIPOS DE ARQUITECTURAS2.3.1 PROCESAMIENTO BATCH2.3.2 PROCESAMIENTO STREAMING2.3.3 PROCESAMIENTO MAPREDUCE2.4 ARQUITECTURA LAMBDA.2.5 ARQUITECTURA KAPPA2.6 APACHE KAFKA2.7 ARQUITECTURA POR CAPAS2.8 CASOS DE USO DE ARQUITECTURAS BIG DATA2.8.1 AUTOMÓVILES EN UN MUNDO DE STREAMING2.8.2 CONSTRUYENDO UN SISTEMA DE LINAJE DE DATOS2.8.3 WOLFRAM LANGUAGE2.9 BIG DATA LANDSCAPE2.10 HERRAMIENTA PARA EL ANÁLISIS DE DATOS MASIVOS2.11 CONCLUSIONESCAPÍTULO 3. BASES DE DATOS PARA BIG DATA3.1 INTRODUCCIÓN3.2 COMPARACIÓN SQL VS NOSQL3.3 BASES DE DATOS NOSQL3.4 VENTAJAS DE LAS BASES DE DATOS NOSQL3.5 TIPOS DE BASES DE DATOS NOSQL3.6 IMPLANTANDO NOSQL3.7 BASES DE DATOS DOCUMENTALES3.7.1 CASOS DE USO BASES DE DATOS DOCUMENTALES3.7.2 MONGODB3.7.3 INDEXACIÓN EN MONGODB3.7.4 REPLICACIÓN EN MONGODB3.7.5 USO DE MONGODB DESDE PYTHON3.7.6 COUCHDB3.7.7 ARQUITECTURA DE COUCHDB3.8 BASES DE DATOS ORIENTADAS A COLUMNAS3.8.1 APACHE CASSANDRA3.8.2 CONSISTENCIA EN APACHE CASSANDRA3.8.3 CASOS DE USO3.9 BASES DE DATOS CLAVE-VALOR(KEY-VALUE)3.9.1 REDIS3.10 BASES DE DATOS ORIENTADAS A GRAFOS3.10.1 CASOS DE USO BASES DATOS DE GRAFOS3.10.2 NEO4J3.11 TEOREMA CAP3.12 CONCLUSIONES NOSQLCAPÍTULO 4. INTRODUCCIÓN A LA CIENCIA DE DATOS YMACHINE LEARNING4.1 DEFINICIÓN DE CIENCIA DE DATOS4.2 DEFINICIONES DE APRENDIZAJE Y MACHINE LEARNING4.3 SISTEMAS EXPERTOS4.4 MINERÍA DE DATOS ( DATA MINING)4.4.1 INTEGRACIÓN Y RECOPILACIÓN DE INFORMACIÓN4.4.2 SELECCIÓN, LIMPIEZA Y TRANSFORMACIÓN DE DATOS4.4.3 TÉCNICAS DE MINERÍA DE DATOS4.5 INTRODUCCIÓN AL APRENDIZAJE AUTOMÁTICO4.6 TIPOS DE APRENDIZAJE AUTOMÁTICO.4.7 APRENDIZAJE SUPERVISADO VS NO SUPERVISADO4.7.1 APRENDIZAJE SUPERVISADO:CLASIFICACIÓN Y REGRESIÓN4.7.2 ÁRBOLES DE DECISIÓN4.7.3 ALGORITMO K-NEAREST NEIGHBOR4.7.4 APRENDIZAJE NO SUPERVISADO4.8 TÉCNICAS DE MACHINE LEARNING4.9 PROBLEMA DEL SOBREENTRENAMIENTO4.9.1 CÓMO EVITAR EL SOBREENTRENAMIENTO4.10 FASES PARA ABORDAR UN PROBLEMA DE ML4.10.1 PASOS PARA CONSTRUIR UN MODELO DE ML4.10.2 EVALUACIÓN DE MODELOSCAPÍTULO 5. TRATAMIENTO DE DATOS CON PYTHON5.1 JUPYTER NOTEBOOK5.2 MERCURY5.3 NUMPY5.4 SCIPY5.5 PANDAS5.5.1 ESTRUCTURAS DE DATOS EN PANDAS5.5.2 SERIES5.5.3 DATAFRAMES5.5.4 LECTURA DE UN FICHERO CSV CON PANDAS5.5.5 ALTERNATIVAS A PANDAS.5.6 LECTURA DE UN FICHERO JSON5.7 LECTURA Y ESCRITURA EN FORMATO PICKLECAPÍTULO 6. SCIKIT-LEARN COMO LIBRERÍA DE MACHINE LEARNING6.1 INTRODUCCIÓN A SCIKIT-LEARN6.2 DATASETS EN SCIKIT-LEARN6.3 CARGANDO CONJUNTOS DE DATOS EN SCIKIT-LEARN.6.3.1 CONJUNTOS DE DATOS GENERADOS DE FORMA ALEATORIA6.4 DIVIDIR DATOS DE ENTRENAMIENTO Y TEST.6.5 APRENDIZAJE AUTOMÁTICO CON SCIKIT-LEARN.6.5.1 ESTABLECER UNA METODOLOGÍA DE EVALUACIÓN6.6 REGRESIÓN LINEAL6.6.1 IMPLEMENTACIÓN DE REGRESIÓN LINEAL6.6.2 PREDECIR EL VALOR DEL ALQUILER DE LAS VIVIENDAS6.7 ALGORITMO DE REGRESIÓN LOGÍSTICA6.7.1 VALIDACIÓN CRUZADA EN SCIKIT-LEARN6.7.2 OBTENER LA MATRIZ DE CONFUSIÓN6.8 INTRODUCCIÓN A LOS ÁRBOLES DE DECISIÓN6.8.1 ALGORITMO DE ÁRBOLES DE DECISIÇON EN SCIKIT-LEARN6.9 SVM COMO ALGORITMO DE MÁQUINAS DE VECTORES DE SOPORTE6.9.1 ALGORITMO DE SUPPORT VECTOR MACHINE EN SCIKIT-LEARN6.9.2 OPTIMIZANDO PARÁMETROS CON GRIDSEARCHCV6.10 KNN COMO ALGORITMO DE CLASIFICACIÓN SUPERVISADA6.10.1 IMPLEMENTACIÓN DE KNEIGHBORSCLASSIFIER6.10.2 RADIUSNEIGHBORSCLASSIFIER6.11 CLUSTERING Y APRENDIZAJE NO SUPERVISADO6.12 EXTRACCIÓN DE CARACTERÍSTICASCAPÍTULO 7. REDES NEURONALES ARTIFICIALES7.1 INTRODUCCIÓN7.2 PERCEPTRÓN SIMPLE7.3 PERCEPTRÓN MULTICAPA7.4 RED NEURONAL RECURRENTE7.5 RED NEURONAL CONVOLUCIONAL(CNN)7.6 REDES NEURONALES CON TENSOR FLOW7.6.1 ALGORITMO DE BACKPROPAGATION7.6.2 PLAYGROUND TENSOR FLOW7.6.3 INTRODUCCIÓN A TENSOR FLOW7.6.4 FUNCIONAMIENTO DE TENSOR FLOW7.7 USO DE LA LIBRERÍA KERAS EN DEEP LEARNING7.8 USO DE GOOGLE COLAB.7.9 REDES NEURONALES CON SKLEARN7.10 TABLA COMPARATIVACAPÍTULO 8. PLATAFORMA HADOOP8.1 INTRODUCCIÓN8.2 HERRAMIENTAS8.3 SERVICIOS Y HERRAMIENTAS DEL ECOSISTEMA HADOOP8.4 HADOOP DISTRIBUTED FILE SYSTEM (HDFS)8.5 HADOOP MAPREDUCE8.6 INTRODUCCIÓN A MAPREDUCE8.7 DISTRIBUCIONES HADOOP8.7.1 CLOUDERA8.8 CONCLUSIONESCAPÍTULO 9. PROCESAMIENTO DISTRIBUÍDO CON APACHE SPARK9.1 INTRODUCCIÓN9.2 INTRODUCCIÓN AL PROCESAMIENTO DISTRIBUÍDO9.3 INTRODUCCIÓN A APACHE SPARK9.4 ECOSISTEMA DE APACHE SPARK9.5 VENTAJAS DE APACHE SPARK9.6 ARQUITECTURA DE APACHE SPARK9.7 RDD (RESILIENT DISTRIBUTED DATASETS)9.8 SPARK CON SCALA9.9 SPARK PARA CIENTÍFICO DE DATOSCAPÍTULO 10. PYSPARK COMO LIBRERÍA DE PROCESAMIENTO DISTRIBUÍDO10.1 INSTALACIÓN DE APACHE SPARK10.2 INTRODUCCIÓN A DOCKER10.3 INSTALAR Y EJECUTAR PYSPARK CON DOCKER10.4 API DE SPARK EN PYTHON10.5 INTRODUCCIÓN A PYSPARK10.6 MAPREDUCE A PYSPARK10.7 TRABAJANDO CON SPARK SQL Y DATAFRAMES10.8 SPARK STREAMINGCAPÍTULO 11. ENTORNOS DE EJECUCIÓN SPARK11.1 INTRODUCCIÓN11.2 FINDSPARK11.3 DATABRICKS:INTRODUCCIÓN A SPARK EN LA NUBE11.4 APACHE ZEPPELINCAPÍTULO 12. MLLIB COMO MÓDULO DE MACHINE LEARNING12.1 INTRODUCCIÓN.12.2 REGRESIÓN LINEAL CON PYSPARK12.3 CLUSTERING CON PYSPARK12.4 CLASIFICACIÓN MENSAJES SPAM CON PYSPARKCAPÍTULO 13. SISTEMAS DE RECOMENDACIÓN13.1 INTRODUCCIÓN.13.2 TIPOS DE SISTEMAS DE RECOMENDACIÓN13.4 FILTRADO COLABORATIVOMATERIAL ADICIONAL «,