APRENDIZAJE AUTOMÁTICO Y PROFUNDO EN PYTHON

APRENDIZAJE AUTOMÁTICO Y PROFUNDO EN PYTHON

PINEDA PERTUZ, CARLOS M.

28,75 €
Editorial:
RAMA
Año de edición:
2022
Materia
Lenguajes varios
ISBN:
978-84-18971-85-3
Páginas:
236
Encuadernación:
Otros
Colección:
VARIAS
28,75 €
Añadir a favoritos

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 sus propios 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 BASICO DE SISTEMAS DIGITALES CON FPGA Y VHDL.
    GARCIA ZUBIA, JAVIER
    Este libro aborda los fundamentos del diseño con VHDL/FPGA con especial énfasis en los ejercicios prácticos y en el acceso al laboratorio remoto de FPGA de LabsLand (www.labsland.com) para probar los diseños. El objetivo fundamental es que el lector comience a diseñar desde un principio, probando sus y el lector simplemente accede a una página web que le permite completar una p...
    Nos queda 1 ejemplar

    26,92 €

  • PYTHON DESDE EL LABORATORIO. APLICACIONES GUI, INTEGRACIÓN CON BASE DE DATOS E INTELIGENCIA ARTIFICIAL
    ARANA TORRES, SARA / CORDOVA NERI, TEODORO
    Descubra las ventajas de integrar Python con las aplicaciones GUI, las bases de datos y la inteligencia artificial En la era digital actual, las interfaces gráficas de usuario (GUI) y la inteligencia artificial (IA) juegan un papel crucial en la informática, facilitando la interacción del usuario y optimizando procesos. Si quiere dominar estos conceptos, ha llegado al libro in...
    Nos queda 1 ejemplar

    25,48 €

  • DEEP LEARNING GENERATIVO. ENSEÑAR A LAS MAQUINAS A DIBUJAR, ESCRIBIR, COMPONER Y REPRODUCIR MÚSICA
    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...
    Nos queda 1 ejemplar

    44,71 €

  • ANALISIS DE DATOS CON PYTHON 3
    GAMBOA CRUZADO, JAVIER / NOLASCO, LUZ
    Descubra cómo el análisis de datos le puede llevar al éxito en cualquier ámbito empresarial y en los medios de comunicación En el mundo actual, el análisis de datos es fundamental para tomar decisiones, trazar objetivos e identificar oportunidades en cualquier sector. Este libro emerge como una herramienta esencial, accesible tanto para principiantes como para profesionales, co...
    Nos queda 1 ejemplar

    26,15 €

  • 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...
    Nos queda 1 ejemplar

    33,46 €

  • GRANDES MODELOS DE LENGUAJE
    ATKINSON-ABUTRIDY, JOHN
    ¡Prepárese para sumergirse en el mundo fascinante y vanguardista de la inteligencia artificial! En este libro descubrirá el nexo en común que impulsa algunas de las aplicaciones recientes más revolucionarias de la inteligencia artificial (IA): desde sistemas conversacionales como ChatGPT o BARD, hasta la traducción automática, generación de resúmenes, respuesta a preguntas y mu...
    Nos queda 1 ejemplar

    22,50 €