Ciencia de datos en términos sencillos: Aprendizaje automático

Título original:

Data Science in Layman's Terms: Machine Learning

Contenido del libro:

El aprendizaje automático ha sido uno de los campos de mayor crecimiento en la última década. Las máquinas capaces de aprender se están convirtiendo en parte de nuestra vida cotidiana. Las máquinas que muestran inteligencia y capacidad de aprendizaje funcionan gracias a las matemáticas y los algoritmos. Estos temas no tienen por qué ser difíciles. Este libro enseña una comprensión básica de todo lo relacionado con el aprendizaje automático, para que los científicos de datos de nivel principiante o intermedio puedan ampliar su conjunto de habilidades, y para que los intelectuales curiosos puedan obtener una comprensión del campo.

Este libro ofrece una visión completa del aprendizaje automático. Se basa en la información presentada por su predecesor, Data Science in Layman's Terms: Statistics. El libro logra un equilibrio entre un tutorial de fácil lectura y un libro de texto intensivo en teoría, presentando primero las ideas, conceptualmente, a un alto nivel, y luego sumergiéndose en los detalles y las matemáticas. Cada capítulo va acompañado de ejemplos prácticos con Python, y R en su caso. El material de la primera mitad del libro está organizado de forma lineal, donde cada capítulo se basa en los conocimientos de los capítulos anteriores. La segunda mitad del libro explora subcampos del aprendizaje automático, como el procesamiento del lenguaje natural, la visión por ordenador, el aprendizaje por refuerzo y la ciencia de redes.

Algunas de las aplicaciones prácticas que aprenderá en este libro son:

- Construir un agente simulado que juegue sin instrucciones y ver cómo aprende a jugar por sí mismo.

- Aplicar el reconocimiento facial a fotos y vídeos en tiempo real.

- Realizar análisis de la cesta de la compra y agrupación para mejorar la eficacia del marketing o mejorar la experiencia de compra de un cliente.

- Identificar música similar utilizando sólo el sonido.

- Generar caras realistas de personajes de anime.

- Identificar temas abstractos en documentos de texto y analizar cómo cambia la opinión sobre distintos temas a lo largo del tiempo.

- Predecir pares de personas que podrían conectarse pronto en una red social y explorar cómo cambian las redes con el tiempo.

- Convertir escaneos o imágenes de documentos en texto.

- Aprender a construir redes neuronales con Keras, y cómo probarlas con TensorBoard para identificar cómo podrían mejorarse.

El repositorio de GitHub que acompaña a este libro se puede encontrar en: https: //github.com/nlinc1905/dsilt-ml-code.