Aprendizaje automático de máquinas: Optimización de hiperparámetros, búsqueda de arquitecturas neuronales y selección de algoritmos con plataformas en la nube

Puntuación:   (4,2 de 5)

Aprendizaje automático de máquinas: Optimización de hiperparámetros, búsqueda de arquitecturas neuronales y selección de algoritmos con plataformas en la nube (Adnan Masood)

Opiniones de los lectores

Resumen:

El libro sobre Aprendizaje Automático de Máquinas (AutoML) proporciona una amplia cobertura de soluciones AutoML tanto de código abierto como comerciales, centrándose especialmente en las principales plataformas en la nube como Microsoft Azure, AWS y Google Cloud. Sirve como un recurso valioso para principiantes y profesionales experimentados en ML, con ejemplos organizados y marcos para comprender la implementación de AutoML. Sin embargo, algunos revisores mencionaron la falta de profundidad en las explicaciones técnicas y problemas con la legibilidad de las capturas de pantalla utilizadas en el texto.

Ventajas:

Cobertura exhaustiva de los conceptos y herramientas de AutoML en las principales plataformas en la nube.
Estructura organizada con ejemplos claros e implementaciones prácticas.
Bueno tanto para principiantes como para profesionales experimentados que buscan automatizar tareas de aprendizaje automático.
Explica los antecedentes, beneficios y escenarios para usar AutoML de manera efectiva.
Ofrece una amplia visión general del ecosistema con opciones de código abierto y comerciales.

Desventajas:

Carece de explicaciones técnicas en profundidad; algunos conceptos se presentan brevemente.
Las capturas de pantalla son a menudo difíciles de leer, como mencionan varios revisores.
Puede que no proporcione suficientes ejemplos detallados para plataformas AutoML específicas, dejando a los usuarios con ganas de una guía más profunda.
Ciertas secciones podrían beneficiarse de una mayor claridad y detalle organizativo, especialmente en el contexto empresarial.

(basado en 14 opiniones de lectores)

Título original:

Automated Machine Learning: Hyperparameter optimization, neural architecture search, and algorithm selection with cloud platforms

Contenido del libro:

Familiarícese con el aprendizaje automático y adopte un enfoque práctico de la implementación de AutoML y las metodologías asociadas.

Características principales:

⬤ Póngase al día con AutoML utilizando OSS, Azure, AWS, GCP o cualquier plataforma de su elección.

⬤ Elimine las tareas mundanas en la ingeniería de datos y reduzca los errores humanos en los modelos de aprendizaje automático.

⬤ Descubra cómo puede hacer que el aprendizaje automático sea accesible para todos los usuarios para promover procesos descentralizados.

Descripción del libro:

Cada ingeniero de aprendizaje automático trata con sistemas que tienen hiperparámetros, y la tarea más básica en el aprendizaje automático de máquinas (AutoML) es establecer automáticamente estos hiperparámetros para optimizar el rendimiento. Las últimas redes neuronales profundas tienen una amplia gama de hiperparámetros para su arquitectura, regularización y optimización, que se pueden personalizar eficazmente para ahorrar tiempo y esfuerzo.

Este libro repasa las técnicas subyacentes de la ingeniería automatizada de características, el ajuste de modelos e hiperparámetros, los enfoques basados en gradientes y mucho más. Descubrirá diferentes formas de implementar estas técnicas en herramientas de código abierto y, a continuación, aprenderá a utilizar herramientas empresariales para implementar AutoML en tres de los principales proveedores de servicios en la nube: Microsoft Azure, Amazon Web Services (AWS) y Google Cloud Platform. A medida que avance, explorará las características de las plataformas AutoML en la nube mediante la creación de modelos de aprendizaje automático con AutoML. El libro también le mostrará cómo desarrollar modelos precisos mediante la automatización de tareas repetitivas y que consumen mucho tiempo en el ciclo de vida de desarrollo del aprendizaje automático.

Al final de este libro de aprendizaje automático, podrá construir e implementar modelos AutoML que no sólo son precisos, sino que también aumentan la productividad, permiten la interoperabilidad y minimizan las tareas de ingeniería de características.

Lo que aprenderá:

⬤ Explorar los fundamentos, métodos subyacentes y técnicas de AutoML.

⬤ Evaluar aspectos de AutoML tales como selección de algoritmos, auto featurización y ajuste de hiperparámetros en un escenario aplicado.

⬤ Averiguar la diferencia entre la nube y los sistemas de soporte de operaciones (OSS).

⬤ Implementar AutoML en la nube empresarial para desplegar modelos y pipelines ML.

⬤ Construir tuberías AutoML explicables con transparencia.

⬤ Comprender la ingeniería automatizada de características y la previsión de series temporales.

⬤ Automatizar tareas de modelado de ciencia de datos para implementar soluciones ML fácilmente y centrarse en problemas más complejos.

A quién va dirigido este libro:

Los científicos de datos ciudadanos, los desarrolladores de aprendizaje automático, los entusiastas de la inteligencia artificial o cualquier persona que busque construir automáticamente modelos de aprendizaje automático utilizando las funciones que ofrecen las herramientas de código abierto, Microsoft Azure Machine Learning, AWS y Google Cloud Platform encontrarán este libro útil. Para sacar el máximo provecho de este libro, se requieren conocimientos básicos sobre la creación de modelos de ML. La experiencia previa en el uso de la nube empresarial es beneficiosa.

Otros datos del libro:

ISBN:9781800567689
Autor:
Editorial:
Encuadernación:Tapa blanda

Compra:

Actualmente disponible, en stock.

¡Lo compro!

Otros libros del autor:

Aprendizaje automático de máquinas: Optimización de hiperparámetros, búsqueda de arquitecturas...
Familiarícese con el aprendizaje automático y adopte...
Aprendizaje automático de máquinas: Optimización de hiperparámetros, búsqueda de arquitecturas neuronales y selección de algoritmos con plataformas en la nube - Automated Machine Learning: Hyperparameter optimization, neural architecture search, and algorithm selection with cloud platforms
La IA responsable en la empresa: Gestión práctica de riesgos de IA para modelos explicables,...
Construya y despliegue con éxito sus modelos de...
La IA responsable en la empresa: Gestión práctica de riesgos de IA para modelos explicables, auditables y seguros con hiperescaladores y Azure OpenAI - Responsible AI in the Enterprise: Practical AI risk management for explainable, auditable, and safe models with hyperscalers and Azure OpenAI

Las obras del autor han sido publicadas por las siguientes editoriales:

© Book1 Group - todos los derechos reservados.
El contenido de este sitio no se puede copiar o usar, ni en parte ni en su totalidad, sin el permiso escrito del propietario.
Última modificación: 2024.11.14 07:32 (GMT)