Python Machine Learning Cookbook: 100 recetas que te enseñan a realizar diversas tareas de aprendizaje automático en el mundo real

Opiniones de los lectores

El libro es una guía práctica del aprendizaje automático, adecuada tanto para principiantes como para quienes tienen cierta experiencia. Aunque ofrece explicaciones claras y un fuerte enfoque en algoritmos aplicables, algunos lectores consideran que ciertos contenidos se tratan de forma demasiado breve.

Excelente claridad y enfoque práctico para implementar algoritmos de aprendizaje automático.

Relevante y actualizado con aplicaciones contemporáneas.

(basado en 5 opiniones de lectores)

Título original:

Python Machine Learning Cookbook: 100 recipes that teach you how to perform various machine learning tasks in the real world

Contenido del libro:

100 recetas que le enseñan a realizar diversas tareas de aprendizaje automático en el mundo real.

Características principales

⬤ Entender qué algoritmos utilizar en un contexto determinado con la ayuda de esta apasionante guía basada en recetas.

⬤ Aprenda sobre perceptrones y vea cómo se utilizan para construir redes neuronales.

⬤ ¿Está atascado mientras da sentido a imágenes, texto, voz y bienes inmuebles? Esta guía vendrá a tu rescate, mostrándote cómo realizar aprendizaje automático para cada uno de ellos utilizando diversas técnicas.

Descripción del libro

El aprendizaje automático es cada vez más omnipresente en el mundo moderno basado en datos. Se utiliza ampliamente en muchos campos como los motores de búsqueda, la robótica, los coches autoconducidos, etc.

Con este libro, aprenderá a realizar varias tareas de aprendizaje automático en diferentes entornos. Empezaremos explorando una serie de escenarios de la vida real en los que se puede utilizar el aprendizaje automático, y veremos varios bloques de construcción. A lo largo del libro, utilizará una amplia variedad de algoritmos de aprendizaje automático para resolver problemas del mundo real y utilizará Python para implementar estos algoritmos.

Descubrirá cómo tratar diversos tipos de datos y explorará las diferencias entre paradigmas de aprendizaje automático, como el aprendizaje supervisado y el no supervisado. También cubrimos una gama de técnicas de regresión, algoritmos de clasificación, modelado predictivo, técnicas de visualización de datos, motores de recomendación, y más con la ayuda de ejemplos del mundo real.

Lo que aprenderá

⬤ Explorar algoritmos de clasificación y aplicarlos al problema de estimación de tramos de ingresos.

⬤ Utilizar modelos predictivos y aplicarlos a problemas del mundo real.

⬤ Comprender cómo realizar la segmentación del mercado utilizando el aprendizaje no supervisado.

⬤ Explorar técnicas de visualización de datos para interactuar con sus datos de diversas maneras.

⬤ Averiguar cómo construir un motor de recomendación.

⬤ Entender cómo interactuar con datos de texto y construir modelos para analizarlos.

⬤ Trabajar con datos de voz y reconocer palabras habladas utilizando modelos ocultos de Markov.

⬤ Analizar datos bursátiles utilizando campos aleatorios condicionales.

⬤ Trabajar con datos de imágenes y construir sistemas de reconocimiento de imágenes y reconocimiento facial biométrico.

⬤ Comprender cómo utilizar redes neuronales profundas para construir un sistema de reconocimiento óptico de caracteres.