Aprendizaje Automático: Un Enfoque Práctico sobre la Teoría del Aprendizaje Estadístico

Opiniones de los lectores

El libro ofrece una introducción exhaustiva al aprendizaje supervisado, combinando conocimientos teóricos con ejemplos prácticos y scripts de R. Sin embargo, algunos reseñadores expresan su insatisfacción, destacando erratas y afirmando que el libro no consigue facilitar un aprendizaje eficaz.

⬤ Buena profundidad teórica
⬤ ejemplos prácticos con scripts de R
⬤ ilustraciones y gráficos efectivos
⬤ diseñados para ayudar a los humanos a aprender aprendizaje automático.

⬤ Numerosas erratas
⬤ algunos críticos opinan que no facilita el aprendizaje
⬤ eficacia general desigual.

(basado en 4 opiniones de lectores)

Título original:

Machine Learning: A Practical Approach on the Statistical Learning Theory

Contenido del libro:

Este libro presenta la Teoría del Aprendizaje Estadístico de forma detallada y fácil de entender, mediante ejemplos prácticos, algoritmos y códigos fuente. Puede ser utilizado como libro de texto en cursos de graduación o licenciatura, para autodidactas, o como referencia respecto a los principales conceptos teóricos del Aprendizaje Automático. Se proporcionan conceptos fundamentales de Álgebra Lineal y Optimización aplicados al Aprendizaje Automático, así como códigos fuente en R, haciendo que el libro sea lo más autocontenido posible.

Comienza con una introducción a conceptos y algoritmos de Aprendizaje Automático como el Perceptrón, el Perceptrón Multicapa y el Vecino más Cercano Ponderado por Distancia con ejemplos, con el fin de proporcionar la base necesaria para que el lector sea capaz de entender el Dilema Sesgo-Varianza, que es el punto central de la Teoría del Aprendizaje Estadístico.

Posteriormente, introducimos todos los supuestos y formalizamos la Teoría del Aprendizaje Estadístico, permitiendo el estudio práctico de diferentes algoritmos de clasificación. A continuación, procedemos con las desigualdades de concentración hasta llegar a los límites de Generalización y de Gran Margen, proporcionando las principales motivaciones para las Máquinas de Vectores Soporte.

A partir de ahí, introducimos todos los conceptos de optimización necesarios relacionados con la implementación de las máquinas de vectores soporte. Para proporcionar una siguiente etapa de desarrollo, el libro termina con una discusión sobre los kernels SVM como forma y motivación para estudiar espacios de datos y mejorar los resultados de clasificación.