Machine Learning con PyTorch y Scikit-Learn

Descripción

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