Hands-On Unsupervised Learning Using Python: How to Build Applied Machine Learning Solutions from Unlabeled Data

Opiniones de los lectores

El libro recibe críticas dispares de los lectores: muchos elogian su enfoque práctico del aprendizaje no supervisado, mientras que otros critican su profundidad, calidad técnica y numerosos errores. Se considera un buen punto de partida para los principiantes, pero deficiente para quienes buscan conocimientos profundos o técnicas avanzadas.

Enfoque práctico con aplicaciones del mundo real.

Bueno para principiantes e intermedios, con ejemplos de código y explicaciones claras.

(basado en 34 opiniones de lectores)

Contenido del libro:

Muchos expertos del sector consideran que el aprendizaje no supervisado es la próxima frontera de la inteligencia artificial, que puede ser la clave de la inteligencia artificial general. Como la mayoría de los datos del mundo no están etiquetados, no puede aplicarse el aprendizaje supervisado convencional. El aprendizaje no supervisado, en cambio, puede aplicarse a conjuntos de datos sin etiquetar para descubrir patrones significativos enterrados en lo más profundo de los datos, patrones que pueden ser casi imposibles de descubrir para los humanos.

El autor, Ankur Patel, muestra cómo aplicar el aprendizaje no supervisado utilizando dos marcos de trabajo de Python sencillos y listos para la producción: Scikit-learn y TensorFlow con Keras. Con código y ejemplos prácticos, los científicos de datos identificarán patrones difíciles de encontrar en los datos y obtendrán una visión más profunda del negocio, detectarán anomalías, realizarán ingeniería y selección automática de características y generarán conjuntos de datos sintéticos. Todo lo que necesita para empezar es programación y algo de experiencia en aprendizaje automático.

⬤ Comparar los puntos fuertes y débiles de los diferentes enfoques de aprendizaje automático: aprendizaje supervisado, no supervisado y de refuerzo.

⬤ Configurar y gestionar proyectos de aprendizaje automático de principio a fin.

⬤ Construir un sistema de detección de anomalías para detectar fraudes con tarjetas de crédito.

⬤ Reagrupa a los usuarios en grupos distintos y homogéneos.

⬤ Realiza aprendizaje semisupervisado.

⬤ Desarrollar sistemas de recomendación de películas utilizando máquinas de Boltzmann restringidas.

⬤ Generar imágenes sintéticas mediante redes generativas adversariales.