Dominio de los algoritmos de aprendizaje automático - Segunda edición

Opiniones de los lectores

El libro «Mastering Machine Learning Algorithms», de Giuseppe Bonaccorso, es elogiado por su cobertura exhaustiva y detallada de los algoritmos de aprendizaje automático, los fundamentos matemáticos y los ejemplos prácticos de codificación. Aunque constituye una excelente referencia para estudiantes de nivel intermedio y avanzado, puede resultar abrumador para los principiantes debido a su profundidad y a los conocimientos previos que requiere.

⬤ Cobertura exhaustiva de varios algoritmos y métodos de aprendizaje automático.
⬤ Sólidos fundamentos matemáticos para una mejor comprensión.
⬤ Buen equilibrio entre teoría y ejemplos prácticos de codificación.
⬤ Incluye secciones de lectura adicional para profundizar en los conocimientos.
⬤ Muy apreciado como libro de referencia tanto por estudiantes como por profesionales del sector.

⬤ No apto para principiantes
⬤ Requiere conocimientos sólidos de aprendizaje automático y matemáticas.
⬤ Algunos usuarios lo encontraron abrumador y algo desorganizado.
⬤ Falta de amplios ejemplos de implementación práctica con Python
⬤ puede resultar demasiado teórico.
⬤ Se han observado algunos errores menores en el contenido.

(basado en 22 opiniones de lectores)

Título original:

Mastering Machine Learning Algorithms - Second Edition

Contenido del libro:

Segunda edición actualizada y revisada de la guía más vendida para explorar y dominar los algoritmos más importantes para resolver problemas complejos de aprendizaje automático Características principales Actualizado para incluir nuevos algoritmos y técnicas Código actualizado a Python 3. 8 y TensorFlow 2.x Nueva cobertura de análisis de regresión, análisis de series temporales, modelos de aprendizaje profundo y aplicaciones de vanguardia Descripción del libro

Mastering Machine Learning Algorithms, Second Edition le ayuda a aprovechar el verdadero poder de los algoritmos de aprendizaje automático para implementar formas más inteligentes de satisfacer las abrumadoras necesidades de datos actuales. Esta guía recién actualizada y revisada le ayudará a dominar algoritmos utilizados ampliamente en dominios de aprendizaje semisupervisado, aprendizaje de refuerzo, aprendizaje supervisado y aprendizaje no supervisado.

Utilizará todas las bibliotecas modernas del ecosistema Python -incluidas NumPy y Keras- para extraer características de datos de variada complejidad. Desde modelos bayesianos hasta el algoritmo Markov chain Monte Carlo, pasando por modelos Hidden Markov, este libro de aprendizaje automático le enseñará a extraer características de su conjunto de datos, realizar reducciones dimensionales complejas y entrenar modelos supervisados y semisupervisados haciendo uso de bibliotecas basadas en Python como scikit-learn. También descubrirá aplicaciones prácticas para técnicas complejas como la estimación de máxima verosimilitud, el aprendizaje hebbiano y el aprendizaje conjunto, y cómo utilizar TensorFlow 2.x para entrenar redes neuronales profundas eficaces.

Al final de este libro, usted estará listo para implementar y resolver problemas de aprendizaje automático de extremo a extremo y escenarios de casos de uso. Lo que aprenderá Comprender las características de un algoritmo de aprendizaje automático Implementar algoritmos de dominios supervisados, semisupervisados, no supervisados y RL Aprender cómo funciona la regresión en el análisis de series temporales y la predicción de riesgos Crear, modelar y entrenar modelos probabilísticos complejos Agrupar datos de alta dimensión y evaluar la precisión del modelo Descubrir cómo funcionan las redes neuronales artificiales: entrenarlas, optimizarlas y validarlas Trabajar con autoencoders, redes Hebbian y GAN A quién va dirigido este libro.

Este libro está dirigido a profesionales de la ciencia de datos que deseen profundizar en algoritmos de ML complejos para comprender cómo se pueden construir diversos modelos de aprendizaje automático. Se requieren conocimientos de programación en Python. Tabla de contenidos Fundamentos de los modelos de aprendizaje automático Funciones de pérdida y regularización Introducción al aprendizaje semisupervisado Clasificación semisupervisada avanzada Aprendizaje semisupervisado basado en gráficos Clustering y modelos no supervisados Clustering avanzado y modelos no supervisados Modelos lineales generalizados y regresión Introducción al análisis de series temporales Redes bayesianas y modelos de Markov ocultos Análisis de series temporales Redes bayesianas y modelos de Markov ocultos Algoritmo EM Análisis de componentes y reducción de dimensionalidad Aprendizaje hebbiano Fundamentos del aprendizaje por conjuntos Algoritmos avanzados de refuerzo Modelización de redes neuronales Optimización de redes neuronales Redes convolucionales profundas Redes neuronales recurrentes Autoencodificadores Introducción a las redes generativas adversariales Redes profundas de creencia Introducción al aprendizaje por refuerzo Algoritmos avanzados de estimación de políticas