MACHINE LEARNING CON PYTORCH Y SCIKIT-LEARN

Si busca un manual de referencia sobre Machine Learning y Deep Learning con PyTorch, ha llegado al libro indicado. En él se explica

paso a paso cómo construir sistemas de aprendizaje automático con éxito.

Mientras que en algunos libros solo se enseña a seguir instrucciones, en este descubrirá los principios para crear modelos y

aplicaciones por sí mismo. Encontrará multitud de explicaciones claras, visualizaciones y ejemplos, y aprenderá en profundidad todas

las técnicas esenciales de Machine Learning.

Actualizado para ocuparse de Machine Learning utilizando PyTorch, este libro también presenta las últimas incorporaciones a Scikit-

Learn. Además, trata varias técnicas de Machine Learning y Deep Learning para la clasificación de textos e imágenes. Con este libro,

también aprenderá sobre las redes generativas antagónicas (GAN), útiles para generar nuevos datos y entrenar agentes inteligentes

con aprendizaje reforzado.

Por último, esta edición incluye las últimas tendencias en Machine Learning, como las introducciones a las redes neuronales de

grafos y transformadores a gran escala utilizados para el procesamiento del lenguaje natural (NLP).

Sin duda, tanto si es un desarrollador de Python neófito en Machine Learning como si desea profundizar en los últimos avances, este

libro de PyTorch será su gran aliado en el aprendizaje automático con Python.

«Estoy seguro de que este libro le resultará muy valioso, tanto por ofrecer una visión general del apasionante campo de Machine Learning,

como por ser un tesoro de conocimientos prácticos. Espero que le inspire a aplicar Machine Learning para lograr un mayor beneficio, sea

cual sea su problemática»

Prefacio xxi

1. Dotar a los ordenadores de la capacidad de aprender de los datos 1

2. Entrenamiento de algoritmos sencillos de aprendizaje automático para tareas de clasificación 21

3. Un recorrido por los clasificadores de aprendizaje automático con Scikit-learn 57

4. Elaboración de conjuntos de datos de entrenamiento adecuados: preprocesamiento 109

5. Compresión de datos mediante la reducción de la dimensionalidad .. 145

6. Aprendizaje de las mejores prácticas para la evaluación

de modelos y el ajuste de hiperparámetros 179

7. Combinación de diferentes modelos para el aprendizaje de conjunto 217

8. Aplicación del aprendizaje automático al análisis de opiniones 261

9. Pronóstico de variables objetivo continuas con análisis de regresión 289

10. El trabajo con datos no etiquetados: análisis de clustering 327

11. Implementación de una red neuronal artificial multicapa desde cero 359

12. Paralelización de redes neuronales con PyTorch 397

13. Profundización: la mecánica de PyTorch 441

14. Clasificación de imágenes con redes neuronales convolucionales profundas 485

15. Modelado de datos secuenciales mediante redes neuronales recurrentes 537

16. Transformadores: mejora del procesamiento del lenguaje natural con mecanismos de atención 581

17. Redes generativas antagónicas con las que sintetizar nuevos datos 637

18. Redes neuronales de grafos para captar las dependencias en datos estructurados en grafos 687

19. Aprendizaje reforzado para la toma de decisiones en entornos complejos 723