Aprendizaje práctico no supervisado con Python

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 7 votos.

Título original:

Hands-On Unsupervised Learning with Python

Contenido del libro:

Descubra los conjuntos de habilidades necesarios para implementar varios enfoques de aprendizaje automático con Python Características principales Explore el aprendizaje no supervisado con agrupación, autoencoders, máquinas de Boltzmann restringidas y más Construya sus propios modelos de redes neuronales utilizando bibliotecas modernas de Python Los ejemplos prácticos le muestran cómo implementar diferentes técnicas de aprendizaje automático y aprendizaje profundo Descripción del libro.

El aprendizaje no supervisado consiste en hacer uso de datos sin procesar ni etiquetar y aplicarles algoritmos de aprendizaje para ayudar a una máquina a predecir su resultado. Con este libro, explorará el concepto de aprendizaje no supervisado para agrupar grandes conjuntos de datos y analizarlos repetidamente hasta encontrar el resultado deseado utilizando Python.

Este libro comienza con las diferencias clave entre aprendizaje supervisado, no supervisado y semisupervisado. Se presentarán las bibliotecas y los marcos de trabajo más utilizados del ecosistema Python y se abordará el aprendizaje no supervisado en los dominios del aprendizaje automático y el aprendizaje profundo. Explorará varios algoritmos y técnicas que se utilizan para implementar el aprendizaje no supervisado en casos de uso del mundo real. Aprenderá una variedad de enfoques de aprendizaje no supervisado, incluida la optimización aleatoria, la agrupación, la selección y transformación de características y la teoría de la información. Obtendrá experiencia práctica sobre cómo pueden emplearse las redes neuronales en escenarios no supervisados. También explorará los pasos necesarios para construir y entrenar una GAN con el fin de procesar imágenes.

Al final de este libro, habrá aprendido el arte del aprendizaje no supervisado para diferentes retos del mundo real. Lo que aprenderá Utilizar algoritmos de cluster para identificar y optimizar grupos naturales de datos Explorar clustering no lineal y jerárquico avanzado en acción Asignaciones de etiquetas suaves para fuzzy c-means y modelos de mezcla gaussiana Detectar anomalías a través de la estimación de densidad Realizar análisis de componentes principales utilizando modelos de redes neuronales Crear modelos no supervisados utilizando GANs A quién va dirigido este libro.

Este libro está dirigido a estadísticos, científicos de datos, desarrolladores de aprendizaje automático y profesionales del aprendizaje profundo que deseen crear aplicaciones inteligentes implementando el aprendizaje no supervisado como elemento clave y dominar todas las nuevas técnicas y algoritmos que ofrecen el aprendizaje automático y el aprendizaje profundo mediante ejemplos reales. Es deseable algún conocimiento previo de conceptos de aprendizaje automático y estadística. Tabla de contenidos Introducción al aprendizaje no supervisado Fundamentos del clustering Clustering avanzado Clustering jerárquico en acción Clustering suave y modelos de mezclas gaussianas Detección de anomalías Reducción de dimensionalidad y análisis de componentes Modelos de redes neuronales no supervisadas Redes generativas adversariales y SOMs