Machine Learning y Deep Learning
Bobadilla J
Automático (Machine Learning). El objetivo del machine learning es que los sistemas informáticos sean capaces de aprender a partir de los datos, emulando de esta manera las capacidades humanas. El Aprendizaje Profundo (Deep Learning) es el área más prometedora del machine learning. Los modernos sistemas de reconocimiento facial, conducción automática, chatbots, comportamiento d...
Sinopsia
Automático (Machine Learning). El objetivo del machine learning es que los sistemas informáticos sean capaces de aprender a partir de los datos, emulando de esta manera las capacidades humanas. El Aprendizaje Profundo (Deep Learning) es el área más prometedora del machine learning. Los modernos sistemas de reconocimiento facial, conducción automática, chatbots, comportamiento de los videojuegos, etc. se llevan a cabo haciendo uso de técnicas de deep learning. En este libro se explican los conceptos más relevantes tanto de machine learning como de deep learning. Ambos bloques se pueden abordar de manera independiente y en cualquier orden. Se aportan multitud de ejemplos programados en Python y explicados desde cero, con gráficos representativos. También se hace uso de las bibliotecas Scikit y Keras. Cualquier lector con conocimientos de programación podrá entender los conceptos y los ejemplos que se exponen en el libro: ? Regresión ? Clasificación ? Clustering ? Reducción de Dimensionalidad ? Redes Neuronales ? Redes Convolucionales (Convolutional Neural Networks) ? Enriquecimiento de datos (Data Augmentation) ? Generadores de Datos ? Aprendizaje por Transferencia (Transfer Learning) ? Autoencoders ? Visualización de capas ocultas ? Aprendizaje Generativo (Generative Learning) El libro contiene material adicional que podrá descargar accediendo a la ficha del libro en www.ra-ma.es
Aurkibidea
ACERCA DEL AUTOR CAPÍTULO 1. INTRODUCCIÓN 1.1 TIPOS DE MACHINE LEARNING 1.2 TRATANDO CON DATOS. 1.3 MEDICIÓN DE LA CALIDAD 1.4 MEJORA DEL MODELO CAPÍTULO 2. DATASETS 2.1 DATASET DE DIABETES (REGRESIÓN) 2.2 DATASET BOSTON (REGRESIÓN) 2.3 DATASET DE LIRIOS (CLASIFICACIÓN) 2.4 DATASET DE CÁNCER DE PECHO (CLASIFICACIÓN) 2.5 DATASET DE VINOS (CLASIFICACIÓN) 2.6 DATASET GENERADO MAKE_BLOBS (CLASIFICACIÓN) 2.7 DATASET GENERADO MAKE_REGRESSION (REGRESSION) 2.8 DATASET GENERADO MAKE_MOONS (CLASIFICACIÓN Y CLUSTERING) 2.9 DATASET MNIST (CLASIFICACIÓN) 2.10 CARAS DE OLIVETTI (CLASIFICACIÓN) 2.10.1 Caras etiquetadas ?in the wild?: LFW (clasificación) CAPÍTULO 3. REGRESIÓN 3.1 MODELOS DE REGRESIÓN 3.1.1 Regresión lineal (desde cero) 3.1.2 Regresión lineal usando SciKit 3.1.3 Regresión Polinómica (desde cero) 3.1.4 Regresión polinómial desde cero (enfoque de gradiente descend 3.1.5 Regresión de los K vecinos más cercanos (K-Nearest Neighbors o KNN) desde cero 3.1.6 Regresión por K vecinos más cercanos (KNN) usando librerías 3.1.7 Regresión Kernel Gaussiana (Gaussian Kernel Regression) 3.1.8 Regresión Kernel Gaussiana usando librerías SciKit 3.1.9 Regresión Ridge (forma cerrada) 3.1.10 Ridge Regression usando librerías de SciKit 3.1.11 Regresión Lasso usando librerías de SciKit 3.1.12 Regresión Elastic Net usando librerías de SciKit 3.2 ANÁLISIS DE CALIDAD EN LA REGRESIÓN LINEAL CAPÍTULO 4. CLASIFICACIÓN 4.1 MODELOS DE CLASIFICACIÓN 4.1.1 Regresión Logística (Logistic Regression) desde cero 4.1.2 Regresión Logística (clasificación) usando librerías SciKit 4.1.3 Clasificación K vecinos más cercanos (K Nearest Neighbours) 4.1.4 Support Vector Machines (SVM) using SciKit libraries 4.1.5 Árboles de Decisión usando librerías de SciKit 4.1.6 Random Forest usando librerías de SciKit 4.2 ANÁLISIS DE CALIDAD DE LOS MÉTODOS DE CLASIFICACIÓN CAPÍTULO 5. CLUSTERING 5.1 ALGORITMOS DE CLUSTERING 5.1.1 K-Means (K-medias) desde cero 5.1.2 K means usando las librerías de SciKit 5.1.3 DBSCAN basado en densidad, desde cero 5.1.4 DBSCAN basado en densidad, usando SCiKit 5.1.5 Clustering Acumulativo (Agglomerative clustering), usando Sci 5.2 MEDIDA DE CALIDAD DEL CLUSTERING CAPÍTULO 6. REDUCCIÓN DE DIMENSIONES 6.1 FACTORIZACIÓN MATRICIAL USANDO SCIKIT 6.2 ANÁLISIS DE COMPONENTES PRINCIPALES (PCA) USANDO SCIKIT CAPÍTULO 7. REDES NEURONALES 7.1 LA NEURONA BIOLÓGICA 7.2 LA NEURONA ARTIFICIAL 7.3 APRENDIZAJE HEBBIANO 7.4 EL PERCEPTRÓN 7.5 REDES MULTICAPA Y EL ALGORITMO BACK PROPAGATION 7.6 DEMOSTRACIÓN DEL ALGORITMO BACK PROPAGATION CAPÍTULO 8. CLASIFICACIÓN USANDO REDES NEURONALES 8.1 CLASIFICACIÓN DEL DATASET MNIST 8.2 CLASIFICACIÓN DEL DATASET FASHION MNIST 8.3 CLASIFICACIÓN DEL DATASET CIFAR 100 CAPÍTULO 9. REDES CONVOLUCIONALES CONCEPTOS BÁSICOS CAPÍTULO 10. CLASIFICACIÓN USANDO REDES CONVOLUCIONALES EN DATASETS SENCILLOS 10.1 CLASIFICACIÓN DEL DATASET MNIST 10.2 CLASIFICACIÓN DEL DATASET CIFAR 100 10.3 CLASIFICACIÓN DEL DATASET FASHION MNIST CAPÍTULO 11. GENERADORES DE DATOS 11.1 CLASIFICACIÓN USANDO EL DATASET: DOGS AND CATS 11.2 DATA GENERATORS CAPÍTULO 12. ENRIQUECIMIENTO DE DATOS (DATA AUGMENTATION) 12.1 ENRIQUECIMIENTO DE DATOS. ENFOQUE I. 12.2 ENRIQUECIMIENTO DE DATOS. ENFOQUE II CAPÍTULO 13. VISUALIZACIÓN DE LAS CAPAS OCULTAS 13.1 MAPAS DE ACTIVACIÓN EN EL DATASET ?DOGS AND CATS? 13.2 MAPAS DE ACTIVACIÓN EN EL DATASET MNIST CAPÍTULO 14. APRENDIZAJE POR TRANSFERENCIA (TRANSFER LEARNING) 14.1 REUTILIZACIÓN DEL MODELO VGG16 14.2 REFINADO DEL MODELO VGG16 14.3 TRANSFER LEARNING EN DOS ETAPAS CAPÍTULO 15. AUTOENCODERS 15.1 AUTOENCODER DE UNA SOLA CAPA 15.2 AUTOENCODER EN VARIAS CAPAS 15.3 AUTOENCODERS CONVOLUCIONALES 15.4 VISUALIZACIÓN DEL ESPACIO MULTIDIMENSIONAL CAPÍTULO 16. APRENDIZAJE GENERATIVO MATERIAL ADICIONAL
Lotutako artikuluak
