Python Machine Learning

Vahid Mirjalili, Sebastian Raschka

• Editorial: Marcombo
• Año: 2020
• ISBN del libro electrónico: 9788426727725
• Edición: 1
• Categoría: Ciencia de la computación
• Categoría: Programación en Python

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 profundoFormular nuevas preguntas sobre datos con modelos de aprendizaje automático y redes neuronalesAprovechar el poder de las últimas librerías de código abierto de Python para aprendizaje automáticoDominar la implementación de redes neuronales profundas con la librería de TensorFlowIncrustar modelos de aprendizaje automáticos en aplicacions web accesiblesPredecir resultados objetivos continuos con análisis de regresiónDescubrir patrones ocultos y estructuras en datos con agrupamientosAnalizar imágenes mediante técnicas de aprendizaje profundoProfundizar en datos de medios sociales y textuales con el análisis de sentimientos

Índice

• Sobre los autores
• Introducción
• 1. Dar a los ordenadores el poder de aprender de los datos
• 2. Entrenar algoritmos simples de aprendizaje automático para clasificación
• 3. Un recorrido por los clasificadores de aprendizaje automático con scikit-learn
• 4. Generar buenos modelos de entrenamiento: preprocesamiento de datos
• 5. Comprimir datos mediante la reducción de dimensionalidad
• 6. Aprender las buenas prácticas para la evaluación de modelos y el ajuste de hiperparámetros
• 7. Combinar diferentes modelos para el aprendizaje conjunto
• 8. Aplicar el aprendizaje automático para el análisis de sentimiento
• 9. Incrustar un modelo de aprendizaje automático en una aplicación web
• 10. Predicción de variables de destino continuas con análisis de regresión
• 11. Trabajar con datos sin etiquetar: análisis de grupos
• 12. Implementar una red neuronal artificial multicapa desde cero
• 13. Paralelización de entrenamiento de redes neuronales con TensorFlow
• 14. Ir más lejos: la mecánica de TensorFlow
• 15. Clasificar imágenes con redes neuronales convolucionales profundas
• 16. Modelado de datos secuenciales mediante redes neuronales recurrentes
• ÍNDICE ANALÍTICO