APRENDIZAJE AUTOMÁTICO Y PROFUNDO EN PYTHON

APRENDIZAJE AUTOMÁTICO Y PROFUNDO EN PYTHON

PINEDA PERTUZ, CARLOS M.

29,90 €
IVA incluido
Disponible (Entrega en 24/48h)
Publishing house :
RA-MA
Year of edition:
2022
Matter
Programación
Ubicación
A1-3106
ISBN:
978-84-18971-85-3
Pages :
236
Binding :
Otros
29,90 €
IVA incluido
Disponible (Entrega en 24/48h)
To add favorites

Prólogo Introducción CAPÍTULO 1. Conceptos básicos de programación en Python 3.9 1.1 Entorno de desarrollo y primeros pasos 1.2 Variables, Tipos de datos y operadores 1.3 Estructuras de datos: Tuplas, listas y diccionarios 1.4 Estructuras selectivas 1.5 Estructuras repetitivas 1.6 Funciones 1.7 Clases y objetos CAPÍTULO 2. Introducción al Aprendizaje Automático 2.1 ¿Qué es aprendizaje automático? 2.2 Conceptos de aprendizaje automático 2.3 Tipos de aprendizaje automático 2.4 Problemas tipicos en aprendizaje automático 2.5 Metodología CRISP-DM CAPÍTULO 3. Herramientas para el aprendizaje automático 3.1 Manejo básico de datos con PANDAS 3.2 Manejo de arreglos con Numpy 3.2.1. Creación de arreglos 3.2.2. Acceso a elementos 3.2.3. Redimensionamiento 3.2.4. Operaciones matemáticas 3.3 Creando gráficos con Matplotlib 3.3.1 Gráficos de líneas 3.3.2 Gráficos de barras 3.3.3 Diagramas de dispersión 3.3.4. Histogramas 3.3.5. Diagrama de caja y bigotes 3.4 Breve Introducción a Scikit-Learn CAPÍTULO 4. Preprocesado de datos 4.1 ¿Que es el preprocesado de datos? 4.2 Creación de conjunto de entrenamiento y pruebas 4.3 Manejo de datos ausentes 4.4 Manejo de datos categóricos 4.5 Escalamiento de características CAPÍTULO 5. Modelos de regresión 5.1 Visualización de la relación entre características del conjunto de datos 5.2 Solución mediante el enfoque de mínimos cuadrados 5.3 Descenso del gradiente 5.4 Regresión lineal mediante scikit-learn 5.4.1. Regresión Simple 5.4.2 Regresión múltiple 5.5 Regresión con random sample consensus (RAMSAC) 5.6 Regresión lineal polinómica 5.7 Regresión lineal múltiple en notación matricial 5.8 Modelos no lineales 5.8.1 Funciones no lineales 5.8.2 Ejemplo suscripciones de telefonía CAPÍTULO 6. Regularización, métricas de evaluación y ajuste de hiperparámetros 6.1. Regularización 6.1.1 Regresión Rígida 6.1.2 Regresión Lasso 6.1.3 Red elástica 6.2. Métricas y técnicas de validación de modelos de regresión 6.2.1 Error absoluto medio (MAE) 6.2.2 Error cuadrático medio (MSE) 6.2.3 Coeficiente de determinación (R2) 6.2.4 Validación cruzada por k iteraciones 6.3. Curvas de aprendizaje y validación 6.4. Técnica de busqueda de cuadrículas par el ajuste de hiperparámetros CAPÍTULO 7. Modelos de Clasificación I 7.1 Perceptrón simple 7.2 Neurona lineal adaptativa (ADALINE) 7.3 Regresión logística 7.3.1 Regresión logística con scikit-learn 7.3.2 Regresión logística con el descenso del gradiente estocástico 7.3.3 Regresión logística con regularización 7.4. Métricas de evaluación 7.4.1. Matriz de confusión 7.4.2. Exactitud (Accuracy) 7.4.3. Precisión (Precision) 7.4.4. Recall, Sensibilidad o TPR (Tasa de verdadero positivo) 7.4.5. F1 7.4.6. Tasa de falsos positivos 7.4.7. Curvas ROC (receiver operating characteristics) 7.5 Máquinas de vectores de soporte (SVM) 7.5.1. Clasificación Multiclase con SVM lineal 7.5.2. Kernels para separar datos no lineales CAPÍTULO 8. Modelos de Clasificación II 8.1 Árboles de decisión 8.1.1. Métricas para medir la separación 8.1.2. Crear y visualizar árboles de decisión 8.1.3. Identificación de características importantes 8.2 Bosques aleatorios (Random Forest) 8.3 Adaboost (Adaptative boosting) 8.4 Gradient boosting 8.5 Naive bayes 8.6 K Vecinos mas cercanos (KNN) 8.7 Sistemas de recomendación 8.7.1. Sistemas de recomendación basados en contenido 8.7.2. Sistema de recomendación basado en filtro colaborativo?220 8.8 Entrenamiento mediante aprendizaje en línea CAPÍTULO 9. Clustering 9.1 K Medias 9.2 Clustering jerárquico 9.3 Dbscan (Density Based Spatial Clustering of Applications with Noise) CAPÍTULO 10. Reducción de la dimensionalidad 10.1 Análisis de componentes principales (PCA) 10.2 Análisis discriminante lineal (ADL) CAPÍTULO 11. Introducción a las redes neuronales 11.1 Conceptos básicos sobre redes neuronales 11.1.1. Neurona artificial 11.1.2. Red neuronal 11.1.3. Pesos 11.1.4. Sesgos (Bias) 11.1.5. Funciones de activación determina la salida de la neurona. 11.2 Entrenamiento de una red neuronal 11.3 Red neuronal para clasificación binaria 11.4 neuronal para clasificación múltiple CAPÍTULO 12. Redes neuronales convolucionales 12.1 Introducción a las redes neuronales convolucionales 12.1.1. Convolución 12.1.2. Agrupación 12.2 CNNs en Keras 12.3 Regularización y dropout CAPÍTULO 13. Aumento de datos y transferencia de aprendizaje 13.1 Generador de datos de imágenes 13.2 Aumento de datos (data augmentation) 13.3 Transferencia de aprendizaje (transfer learning) 13.3.1. Extracción de características 13.3.2. Ajuste fino (Fine tuning) CAPÍTULO 14. Introducción al Procesamiento del Lenguaje Natural (PNL) 14.1 Palabras embebidas (Word embedding) 14.2 Introducción a Word2Vec 14.3 Word2vec con librería Gensim CAPÍTULO 15. Redes neuronales recurrentes (RNN) 15.1 Introducción a las redes neuronales recurrentes 15.2 Propagación a través del tiempo (BPTTT) 15.3 LSTM (Memoria larga a corto plazo) 15.3.1. Ejemplo sobre análisis de sentimiento 15.3.2. Ejemplo sobre generación de texto Índice analítico Referencias bibliográficas

Esta obra pretende ser una herramienta de apoyo y de consulta para estudiantes y profesionales interesados en dominar los fundamentos del aprendizaje automático y profundo, y así poder desarrollar suspropios modelos de aprendizaje aptos para realizar predicciones con base en los datos, para ello el autor combina explicaciones teóricas con ejemplos prácticos.

Artículos relacionados

  • DISEÑO FUNCIONAL. PRINCIPIOS, PATRONES Y PRÁCTICAS
    MARTIN, ROBERT C.
    En Diseño funcional, el reputado ingeniero de software Robert C. Martin («Uncle Bob») explica cómo y por qué utilizar la programación funcional para crear sistemas mejores para clientes reales. Martin compara las estructuras de la programación convencional orientada a objetos en Java con las que permiten los lenguajes funcionales, identifica los mejores roles para cada una y mu...
    Available

    37,95 €

  • DEEP LEARNING GENERATIVO. ENSEÑAR A LAS MÁQUINAS A PINTAR, ESCRIBIR, COMPONER Y
    FOSTER, DAVID
    La inteligencia artificial generativa es el tema de moda en tecnología. Esta guía práctica enseña a los ingenieros del machine learning y a los científicos de datos cómo utilizar TensorFlow y Keras para crear desde cero impresionantes modelos de deep learning generativo, como autocodificadores variacionales o VAE, redes generativas adversativas o GAN, Transformers, flujos de no...
    Available

    46,50 €

  • LOS 150 MEJORES EJEMPLOS DE COPIAR Y PEGAR
    FORTEA NAVARRO,PEDRO
    Adéntrese con éxito en los lenguajes de programación PHP8, JS y HTML5 con 150 ejemplos prácticos Si quiere dar sus primeros pasos o mejorar sus conocimientos en el mundo de PHP8, JS y HTML5, y perfeccionar sus trabajos como desarrollador, este libro será su gran aliado. En él encontrará desde ejemplos de código sencillos, para afianzar los conceptos básicos, hasta una amplia ...
    Available

    19,40 €

  • CURSO INTENSIVO DE PYTHON. TERCERA EDICIÓN
    MATTHES, ERIC
    Este superventas mundial es una guía al lenguaje de programación Python. Gracias a esta trepidante y completa introducción a Python, no tardará en empezar a escribir programas, resolver problemas y desarrollar aplicaciones que funcionen.Esta tercera edición actualizada se ha revisado en profundidad con el fin de reflejar las últimas novedades en Python. Se incluye la incorporac...
    Available

    52,50 €

  • CIENCIAS DE DATOS
    JOYANES AGUILAR, LUIS
    Descubra qué es la ciencia de datos y cómo contribuye al cambio de paradigma de investigación La ciencia de datos es un campo académico multidisciplinar que utiliza métodos, procesos y sistemas científicos para extraer conocimientos a partir de los datos. Ha adquirido gran popularidad en los últimos años debido al soporte de diversas disciplinas científicas y tecnológicas trad...
    Available

    34,80 €

  • DESARROLLO DE MICROSERVICIOS CON PYTHON
    ORTEGA CANDEL, JOSÉ MANUEL
    Domine las herramientas imprescindibles para programar de forma eficaz y desarrolle sus propias aplicaciones con Python En el mundo actual de la tecnología, las aplicaciones basadas en microservicios se han convertido en el estándar para construir aplicaciones escalables y flexibles. El lenguaje más adecuado para llevar a cabo esta tarea es, sin duda, Python. Si desea una guía...
    Available

    34,80 €