"Un recurso excepcional para estudiar machine learning. Encontrarás explicaciones claras e intuitivas y un montón de trucos prácticos".-François Chollet, autor de Keras, autor de Deep learning con Python.
"Este libro es una gran introducción a la teoría y la práctica de la resolución de problemas con redes neuronales; se lo recomiendo a cualquiera que quiera aprender sobre machine learning práctico".-Pete Warden, Mobile Lead de TensorFlow.
Índice
Prefacio
Parte I. Fundamentos del 'machine learning'
1. El paisaje del 'machine learning'
2. Proyecto de 'machine learning' de principio a fin
3. Clasificación
4. Entrenar modelos
5. Máquinas de vectores soporte
6. Árboles de decisiones
7. Ensamblaje y 'random forests'
8. Reducción de dimensionalidad
9. Técnicas de aprendizaje no supervisado
Parte II. Redes neuronales y 'deep learning'
10. Introducción a las redes neuronales artificiales con Keras
11. Entrenar redes neuronales profundas
12. Modelos personalizados y entrenamiento con TensorFlow
13. Cargar y preprocesar datos con TensorFlow
14. 'Deep learning' para visión por ordenador usando redes neuronales convolucionales
15. Procesar secuencias utilizando RNR y RNC
16. Procesamiento de lenguaje natural con RNR y atención
17. Autocodificadores, GAN y modelos de difusión
18. Aprendizaje por refuerzo
19. Entrenar y desplegar modelos de TensorFlow a escala
Parte III. Apéndices
A. Lista de comprobación de proyectos de 'machine learning'
B. Autodiferenciación
C. Estructuras de datos especiales
D. Grafos de TensorFlow
Índice alfabético
Gracias a varios logros innovadores, el 'deep learning' ha dado un gran impulso a todo el campo del 'machine learning'. Ahora, incluso programadores que no saben casi nada de esta tecnología pueden usar herramientas sencillas y eficaces para implementar programas capaces de aprender a partir de datos. Este 'best seller' utiliza ejemplos concretos, una teoría mínima y 'frameworks' de Python listos para la producción (Scikit Learn, Keras y TensorFlow) para ayudarte a obtener una comprensión intuitiva de los conceptos y herramientas para crear sistemas inteligentes.
Con esta tercera edición actualizada, el autor Aurélien Géron explora una variedad de técnicas que van desde una regresión lineal simple a redes neuronales profundas. Hay ejemplos de código y ejercicios por todo el libro para ayudarte a aplicar lo que has aprendido, lo único que necesitas para empezar es experiencia en programación:
* Utiliza Scikit-Learn para hacer un seguimiento de un proyecto de 'machine learning' de ejemplo de principio a fin.
* Explora varios modelos, incluyendo máquinas de vectores soporte, árboles de decisión, 'random forests' y métodos de ensamblaje.
* Aprovecha técnicas de aprendizaje no supervisado, como la reducción de dimensionalidad, el agrupamiento y la detección de anomalías.
* Sumérgete en arquitecturas de redes neuronales, incluyendo redes convolucionales, redes recurrentes, redes generativas antagónicas, autocodificadores, modelos de difusión y transformadores.
* Utiliza TensorFlow y Keras para crear y entrenar redes neuronales para visión por ordenador, procesamiento del lenguaje natural, modelos generativos y aprendizaje profundo por refuerzo.
Colección
TÍTULOS ESPECIALES
Código
2315192
I.S.B.N.
978-84-415-4804-6
Publicación 15/06/2023
Clasificación IBIC
UYQM
Formato
Papel
Páginas
832
Colección
TÍTULOS ESPECIALES
Código
2382442
I.S.B.N.
978-84-415-4828-2
Publicación 15/06/2023
Clasificación IBIC
UYQM
Formato
PDF
Autor
Aurélien Géron
Aurélien Géron es asesor de 'machine learning'. Antiguo 'googler', dirigió el equipo de clasificación de vídeos de YouTube desde 2013 a 2016. También fue fundador y CTO de Wifirst (proveedor de servicios de Internet inalámbrico líder en Francia) desde 2002 a 2012 y fundador y CTO de la empresa consultora de telecomunicaciones Polyconseil en 2001.