Python Machine Learning. Sebastian Raschka, Vahid Mirjalili. 2ed. Marcombo OnGrafo Libros

CONTENIDO RESUMIDO

SECCIÓN	TEMA	PÁGINA
	Introducción.	xvii.
1.	Dar a los ordenadores el poder de aprender de los datos.	23.
	Crear máquinas inteligentes para transformar datos en conocimiento.	24.
	Los tres tipos de aprendizaje automático.	24.
	Introducción a la terminología básica y las notaciones.	30.
	Una hoja de ruta para crear sistemas de aprendizaje automático.	33.
	Utilizar Python para el aprendizaje automático.	36.
	Resumen.	38.
2.	Entrenar algoritmos simples de aprendizaje automático para clasificación.	39.
	Neuronas artificiales: un vistazo a los inicios del aprendizaje automático.	40.
	Implementar un algoritmo de aprendizaje de perceptrón en Python.	46.
	Neuronas lineales adaptativas y la convergencia del aprendizaje.	56.
	Resumen.	72.
3.	Un recorrido por los clasificadores de aprendizaja automático con scikit-learn.	73.
	Elegir un algoritmo de clasificación.	74.
	Primeros pasos con scikit-learn: entrenar un perceptrón.	74.
	Modelar probabilidades de clase mediante regresión logística.	81.
	Margen de clasificación máximo con máquinas de vectores de soporte.	98.
	Resolver problemas no lineales con una SVM kernelizada.	104.
	Aprendizaje basado en árboles de decisión.	110.
	K-vecinos más cercanos: un algoritmo de aprendizaje vago.	123.
	Resumen.	127.
4.	Generar buenos modelos de entrenamiento: preprocesamiento de datos.	129.
	Tratar con datos ausentes.	129.
	Trabajar con datos categóricos.	134.
	Dividir un conjunto de datos en conjuntos de prueba y de entrenamiento individuales.	140.
	Ajustar las características a la misma escala.	142.
	Seleccionar características significativas.	145.
	Evaluar la importancia de las características con bosques aleatorios.	158.
	Resumen.	161.
5.	Comprimir datos mediante la reducción de dimensionalidad.	163.
	Reducción de dimensionalidad sin supervisión mediante el análisis de componentes...	164.
	Compresión de datos supervisada mediante análisis discriminante lineal.	177.
	Seleccionar discriminantes lineales para el nuevo subespacio de características.	182.
	Utilizar el análisis de componentes principales con kernels para mapeos no lineales.	187.
	Resumen.	206.
6.	Aprender las buenas prácticas para la evaluación de modelos y el ajuste de hiperpa...	207.
	Simplificar flujos de trabajo con pipelines.	207.
	Utilizar la validación cruzada de K iteraciones para evaluar el rendimiento de un...	211.
	Depurar algoritmos con curvas de validación y aprendizaje.	217.
	Ajustar los modelos de aprendizaje automático con la búsqueda de cuadrículas.	223.
	Observar diferentes métricas de evaluación de rendimiento.	227.
	Tratar con el desequilibrio de clases.	236.
	Resumen.	239.
7.	Combinar diferentes modelos para el aprendizaje conjunto.	241.
	Aprender con conjuntos.	241.
	Combinar clasificadores mediante el voto mayoritario.	246.
	Bagging: construir un conjunto de clasificadores a partir de muestras bootstrap.	262.
	Potenciar los clasifi cadores débiles con el boosting adaptado.	268.
	Resumen.	276.
8.	Aplicar el aprendizaje automático para el análisis de sentimiento.	277.
	Preparar los datos de críticas de cine de IMDb para el procesamiento de texto.	278.
	Introducir el modelo «bolsa de palabras».	281.
	Entrenar un modelo de regresión logística para clasificación de documentos.	290.
	Trabajar con datos más grandes: algoritmos online y aprendizaje out-of-core.	292.
	Modelado de temas con Latent Dirichlet Allocation.	296.
	Resumen.	301.
9.	Incrustar un modelo de aprendizaje automático en una aplicación web.	303.
	Serializar estimadores de scikit-learn ajustados.	304.
	Configurar una base de datos SQLite para el almacenamiento de datos.	307.
	Desarrollar una aplicación web con Flask.	309.
	Convertir el clasificador de críticas de cine en una aplicación web.	316.
	Desplegar la aplicación web en un servidor público.	326.
	Resumen.	330.
10.	Predicción de variables de destino continuas con análisis de regresión.	331.
	Introducción a la regresión lineal.	332.
	Explorar el conjunto de datos Housing.	334.
	Implementar un modelo de regresión lineal de mínimos cuadrados ordinarios.	341.
	Ajustar un modelo de regresión robusto con RANSAC.	347.
	Evaluar el rendimiento de los modelos de regresión lineal.	350.
	Utilizar métodos regularizados para regresión.	354.
	Convertir un modelo de regresión lineal en una curva: la regresión polinomial.	356.
	Tratar con relaciones no lineales mediante bosques aleatorios.	361.
	Resumen.	367.
11.	Trabajar con datos sin etiquetar: análisis de grupos.	369.
	Agrupar objetos por semejanza con k-means.	370.
	Organizar agrupamientos como un árbol jerárquico.	385.
	Ubicar regiones de alta densidad con DBSCAN.	394.
	Resumen.	400.
12.	Implementar una red neuronal artificial multicapa desde cero.	401.
	Modelar funciones complejas con redes neuronales artificiales.	402.
	Clasificar dígitos manuscritos.	411.
	Entrenar una red neuronal artificial.	429.
	Sobre la convergencia en redes neuronales.	439.
	Unas últimas palabras sobre la implementación de redes neuronales.	440.
	Resumen.	441.
13.	Paralelización de entrenamiento de redes neuronales con TensorFlow.	443.
	TensorFlow y rendimiento de entrenamiento.	444.
	Entrenar redes neuronales eficazmente con las API de alto nivel de TensorFlow.	455.
	Elegir funciones de activación para redes multicapa.	465.
	Resumen.	473.
14.	Ir más lejos: la mecánica de TensorFlow.	475.
	Características clave de TensorFlow.	476.
	Rango y tensores de TensorFlow.	476.
	Entender los grafos computacionales de TensorFlow.	478.
	Marcadores de posición en TensorFlow.	481.
	Variables en TensorFlow.	484.
	Crear un modelo de regresión.	493.
	Ejecutar objetos en un grafo de TensorFlow mediante sus nombres.	497.
	Almacenar y restablecer un modelo en TensorFlow.	498.
	Transformar tensores como matrices de datos multidimensionales.	501.
	Utilizar la mecánica de control de flujo para crear grafos.	505.
	Visualizar el grafo con TensorBoard.	509.
	Resumen.	513.
15.	Clasificar imágenes con redes neuronales convolucionales profundas.	515.
	Bloques de construcción de redes neuronales convolucionales.	516.
	Juntarlo todo para crear una CNN.	530.
	Implementar una red neuronal convolucional profunda con TensorFlow.	536.
	Resumen.	558.
16.	Modelado de datos secuenciales mediante redes neuronales recurrentes.	559.
	Introducir datos secuenciales.	560.
	RNN para modelar secuencias.	563.
	Implementar una RNN multicapa para modelar secuencias en TensorFlow.	572.
	Proyecto uno: crear un análisis de sentimiento de las críticas de películas IMDb...	573.
	Proyecto dos: implementar una RNN para el modelado de lenguaje a nivel de...	589.
	Resumen del capítulo y del libro.	602.
	Índice analítico.	605.

El aprendizaje automático está invadiendo el mundo del software. Si quieres entender y trabajar la vanguardia del aprendizaje automático, las redes neuronales y el aprendizaje profundo, esta segunda edición del bestseller Python Machine Learning, es tu libro.

Modernizado y ampliado para incluir las tecnologías de código abierto más recientes, como scikit-learn, Keras y TensorFlow, este manual proporciona el conocimiento práctico y las técnicas necesarias para crear eficaces aplicaciones de aprendizaje automático y aprendizaje profundo en Python.

El conocimiento y la experiencia únicos de Sebastian Raschka y Vahid Mirjalili presentan los algoritmos de aprendizaje automático y aprendizaje profundo, antes de continuar con temas avanzados en análisis de datos.

Combinan los principios teóricos del aprendizaje automático con un enfoque práctico de codificación para una comprensión completa de la teoría del aprendizaje automático y la implementación con Python.

Aprenderás a:

• Explorar y entender los frameworks clave para la ciencia de datos, el aprendizaje automático y el aprendizaje profundo
• Formular nuevas preguntas sobre datos con modelos de aprendizaje automático y redes neuronales
• Aprovechar el poder de las últimas librerías de código abierto de Python para aprendizaje automático
• Dominar la implementación de redes neuronales profundas con la librería de TensorFlow
• Incrustar modelos de aprendizaje automáticos en aplicaciones web accesibles
• Predecir resultados objetivos continuos con análisis de regresión
• Descubrir patrones ocultos y estructuras en datos con agrupamientos
• Analizar imágenes mediante técnicas de aprendizaje profundo
• Profundizar en datos de medios sociales y textuales con el análisis de sentimientos.

PYTHON MACHINE LEARNING

APRENDIZAJE AUTOMÁTICO Y APRENDIZAJE PROFUNDO CON PYTHON, SCIKIT-LERN Y TENSORFLOW

FICHA TÉCNICA

CONTENIDO RESUMIDO

DESCRIPCIÓN

ESTADO DEL PRODUCTO

MUCHOS ÉXITOS

PYTHON MACHINE LEARNING

APRENDIZAJE AUTOMÁTICO Y APRENDIZAJE PROFUNDO CON PYTHON, SCIKIT-LERN Y TENSORFLOW

FICHA TÉCNICA

CONTENIDO RESUMIDO

DESCRIPCIÓN

ESTADO DEL PRODUCTO

********** MUCHOS ÉXITOS **********

MUCHOS ÉXITOS