MARC details
| 000 -CABECERA |
|---|
| campo de control de longitud fija |
04954nam a2200385 i 4500 |
| 001 - NÚMERO DE CONTROL |
|---|
| campo de control |
398026 |
| 003 - IDENTIFICADOR DEL NÚMERO DE CONTROL |
|---|
| campo de control |
ES-MaUEC |
| 005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN |
|---|
| campo de control |
20240314174513.0 |
| 006 - CÓDIGOS DE INFORMACIÓN DE LONGITUD FIJA--CARACTERÍSTICAS DEL MATERIAL ADICIONAL |
|---|
| campo de control de longitud fija |
a|||||o|||| 00| 0 |
| 007 - CAMPO FIJO DE DESCRIPCIÓN FÍSICA--INFORMACIÓN GENERAL |
|---|
| campo de control de longitud fija |
cr nn 008mamaa |
| 008 - DATOS DE LONGITUD FIJA--INFORMACIÓN GENERAL |
|---|
| campo de control de longitud fija |
230216s2023 sz | o |||| 0|eng d |
| 020 ## - NÚMERO INTERNACIONAL ESTÁNDAR DEL LIBRO |
|---|
| Número Internacional Estándar del Libro |
9783031174834 |
| 024 7# - IDENTIFICADOR DE OTROS ESTÁNDARES |
|---|
| Número estándar o código |
10.1007/978-3-031-17483-4 |
| Fuente del número o código |
doi |
| 040 ## - FUENTE DE LA CATALOGACIÓN |
|---|
| Centro catalogador/agencia de origen |
ES-MaUEC |
| Lengua de catalogación |
spa |
| Centro/agencia transcriptor |
ES-MaUEC |
| Centro/agencia modificador |
ES-MaUEC |
| 050 #4 - SIGNATURA TOPOGRÁFICA DE LA BIBLIOTECA DEL CONGRESO |
|---|
| Número de clasificación |
QA76.9 .B45 |
| Número de documento/Ítem |
2023 EB |
| 100 1# - ENTRADA PRINCIPAL--NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Dinov, Ivo D. |
| Término indicativo de función/relación |
autor |
| Número de control del registro de autoridad o número normalizado |
(orcid)0000-0003-3825-4375 |
| Enlace |
<a href="https://orcid.org/0000-0003-3825-4375">https://orcid.org/0000-0003-3825-4375</a> |
| Código de función/relación |
http://id.loc.gov/vocabulary/relators/aut |
| 9 (RLIN) |
689496 |
| 245 10 - MENCIÓN DE TÍTULO |
|---|
| Título |
Data Science and Predictive Analytics : |
| Resto del título |
Biomedical and Health Applications using R |
| Mención de responsabilidad, etc. |
by Ivo D. Dinov |
| 250 ## - MENCIÓN DE EDICIÓN |
|---|
| Mención de edición |
2nd ed 2023 |
| 264 #1 - PRODUCCIÓN, PUBLICACIÓN, DISTRIBUCIÓN, FABRICACIÓN Y COPYRIGHT |
|---|
| Producción, publicación, distribución, fabricación y copyright |
Cham |
| Nombre del de productor, editor, distribuidor, fabricante |
Springer International Publishing |
| Fecha de producción, publicación, distribución, fabricación o copyright |
2023 |
| 300 ## - DESCRIPCIÓN FÍSICA |
|---|
| Extensión |
1 recurso en línea |
| 336 ## - TIPO DE CONTENIDO |
|---|
| Término de tipo de contenido |
texto |
| Código de tipo de contenido |
txt |
| Fuente |
rdacontent |
| 337 ## - TIPO DE MEDIO |
|---|
| Nombre/término del tipo de medio |
electrónico |
| Código del tipo de medio |
c |
| Fuente |
rdamedia |
| 338 ## - TIPO DE SOPORTE |
|---|
| Nombre/término del tipo de soporte |
recurso electrónico |
| Código del tipo de soporte |
cr |
| Fuente |
rdacarrier |
| 347 ## - CARACTERÍSTICAS DEL ARCHIVO DIGITAL |
|---|
| Tipo de archivo |
text file |
| Formato de codificación |
PDF |
| Fuente |
rda |
| 490 0# - MENCIÓN DE SERIE |
|---|
| Mención de serie |
The Springer Series in Applied Machine Learning |
| Número Internacional Normalizado para Publicaciones Seriadas |
2520-1301 |
| 505 0# - NOTA DE CONTENIDO CON FORMATO |
|---|
| Nota de contenido con formato |
Chapter 1 - Introduction -- Chapter 2: Basic Visualization and Exploratory Data Analytics -- Chapter 3: Linear Algebra, Matrix Computing and Regression Modeling -- Chapter 4: Linear and Nonlinear Dimensionality Reduction -- Chapter 5: Supervised Classification -- Chapter 6: Black Box Machine Learning Methods -- Chapter 7: Qualitative Learning Methods - Text Mining, Natural Language Processing, Apriori Association Rules Learning -- Chapter 8: Unsupervised Clustering -- Chapter 9: Model Performance Assessment, Validation, and Improvement -- Chapter 10: Specialized Machine Learning Topics -- Chapter 11: Variable Importance and Feature Selection -- Chapter 12: Big Longitudinal Data Analysis -- Chapter 13: Function Optimization -- Chapter 14: Deep Learning, Neural Networks. |
| 520 ## - SUMARIO, ETC. |
|---|
| Sumario, etc. |
Complementary to the enormous challenges related to handling, interrogating, and understanding massive amounts of complex structured and unstructured data, there are unique opportunities that come with access to a wealth of feature-rich, high-dimensional, and time-varying information. The topics covered in this textbook address specific knowledge gaps, resolve educational barriers, and mitigate workforce information readiness and data science deficiencies. Specifically, it provides a transdisciplinary curriculum integrating core mathematical foundations, modern computational methods, advanced data science techniques, model-based machine learning (ML), model-free artificial intelligence (AI), and innovative biomedical applications. The book's fourteen chapters start with an introduction and progressively build the foundational skills from visualization to linear modeling, dimensionality reduction, supervised classification, black-box machine learning techniques, qualitative learning methods, unsupervised clustering, model performance assessment, feature selection strategies, longitudinal data analytics, optimization, neural networks, and deep learning. Individual modules and complete end-to-end pipeline protocols are available as functional R electronic markdown notebooks. These workflows support an active learning platform for comprehensive data manipulation, sophisticated analytics, interactive visualization, and effective dissemination of open problems, current knowledge, scientific tools, and research findings. This Second Edition includes new material reflecting recent scientific and technological progress and a substantial content reorganization to streamline the covered topics. Featured are learning-based strategies utilizing generative adversarial networks (GANs), transfer learning, and synthetic data generation. There are complete end-to-end examples of ML/AI training, prediction, and assessment using quantitative, qualitative, text, and imaging datasets. This textbook is suitable for self-learning and instructor-guided course training. It is appropriate for upper division and graduate-level courses covering applied and interdisciplinary mathematics, contemporary learning-based data science techniques, computational algorithm development, optimization theory, statistical computing, and biomedical sciences. The analytical techniques and predictive scientific methods described in the book may be useful to a wide spectrum of readers, formal and informal learners, college instructors, researchers, and engineers throughout the academy, industry, government, regulatory and funding agencies. |
| 988 ## - NOTA LOCAL 598 |
|---|
| Nota local 598 (boletines) |
Springer_Computer_2023 |
| 650 #7 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA |
|---|
| Fuente del encabezamiento o término |
embne |
| 9 (RLIN) |
495511 |
| Término de materia o nombre geográfico como elemento de entrada |
Datos masivos |
| 856 40 - LOCALIZACIÓN Y ACCESO ELECTRÓNICOS |
|---|
| Identificador Uniforme del Recurso |
https://go.openathens.net/redirector/universidadeuropea.es?url=https://doi.org/10.1007/978-3-031-17483-4 |
| Nota pública |
Acceso a este recurso digital (usuarios Universidad Europea de Madrid) |
| 999 ## - NÚMEROS DE CONTROL DE SISTEMA (KOHA) |
|---|
| -- |
1 |
| 942 ## - ELEMENTOS DE PUNTO DE ACCESO ADICIONAL (KOHA) |
|---|
| Fuente del sistema de clasificación o colocación |
Library of Congress Classification |
| Tipo de ítem Koha |
LIBRO-E NO PRÉSTAMO |
| 998 ## - DATOS ESTADÍSTICOS |
|---|
| Fecha de catalogación |
01/2024 |
| Tipo de materia |
E-book |
| Catalogador |
Isabel Alonso |
| Catalogado |
Sí |