Prefacio xxi 1. Dotar a los ordenadores de la capacidad de aprender de los datos 1 Creación de máquinas inteligentes para transformar los datos en conocimiento ............................................................................................. 2 Los tres tipos de aprendizaje automático .......................................................... 3 Formulación de pronósticos sobre el futuro con el aprendizaje supervisado 3 Clasifi cación para pronosticar etiquetas de clase 4 Regresión para el pronóstico de resultados continuos 5 Resolución de problemas interactivos con el aprendizaje reforzado 7 Descubrimiento de estructuras ocultas con el aprendizaje no supervisado 8 Detección de subgrupos mediante el agrupamiento (clustering) 8 Reducción de la dimensionalidad para comprimir los datos 9 Introducción a la terminología básica y la notación ........................................ 10 Notación y convenciones que se utilizan en el libro 10 Terminología del aprendizaje automático 12 Hoja de ruta para crear sistemas de aprendizaje automático ........................... 13 Preprocesamiento: cómo dar forma a los datos 14 Entrenamiento y selección de modelos predictivos 14 Evaluación de modelos y pronóstico de instancias de datos ocultos 15 Utilización de Python en aprendizaje automático ........................................... 16 Instalación de Python y sus paquetes desde Python Package Index 16 Uso del gestor de paquetes y distribucion de Anaconda Python 17 Paquetes para computación científi ca, ciencia de datos y aprendizaje automático 18 Resumen ....................................................................................................... 20 2. Entrenamiento de algoritmos sencillos de aprendizaje automático para tareas de clasificación ............................................................ 21 Neuronas artifi ciales: un vistazo a la historia de los inicios del aprendizaje automático .................................................................................................... 22 Defi nición formal de neurona artifi cial 23 Regla de aprendizaje del perceptrón 25 Implementación de algoritmos de aprendizaje del perceptrón en Python ........ 28 Una API del perceptrón orientada a objetos API 28 Entrenamiento de un modelo de perceptrón con el conjunto de datos Iris 32 Neuronas lineales adaptativas y convergencia del aprendizaje ......................... 38 Minimización de las funciones de pérdida con el descenso del gradiente 39 Implementación de Adaline en Python 42 Mejora del descenso del gradiente mediante el escalado de características 46 Aprendizaje automático a gran escala y descenso del gradiente estocástico 49 Resumen ....................................................................................................... 54 3. Un recorrido por los clasificadores de aprendizaje automático con Scikit-learn ............................................................................ 57 Elección de un algoritmo de clasifi cación ....................................................... 57 Primeros pasos con Scikit-learn: entrenamiento del precetrón ........................ 58 Modelización de las probabilidades de clase mediante regresión logística ....... 64 Regresión logística y probabilidades condicionales 65 Aprendizaje de los pesos del modelo mediante la función de pérdida logística 69 Conversión de una implementación de Adaline en un algoritmo de regresión logística 72 Entrenamiento de un modelo de regresión logística con Scikit-learn 76 Cómo abordar el sobreajuste utilizando la regularización 79 Clasifi cación de margen máximo con máquinas de vectores de soporte ........... 82 Intuición de margen máximo 83 Tratamiento de un caso no separable linealmente mediante variables de holgura 84 Implementaciones alternativas en Scikit-learn 86 Resolución de problemas no lineales utilizando el kernel en SVM ................... 86 Métodos del kernel para datos no separables linealmente 86 Uso del truco del kernel para encontrar hiperplanos de separación en un espacio de alta dimensión 89 Aprendizaje utilizando árboles de decisión ..................................................... 92 Maximización de IG: cómo sacar el máximo partido a su dinero 93 Creación de un árbol de decisión 98 Combinación de múltiples árboles de decisión mediante bosques aleatorios 100 K vecinos más cercanos: un algoritmo de aprendizaje perezoso .................... 104 Resumen ..................................................................................................... 108 4. Elaboración de conjuntos de datos de entrenamiento adecuados: preprocesamiento ...................................................................... 109 Tratamiento de los datos que faltan .............................................................. 109 Identifi cación de los valores que faltan en las tablas de datos 110 Eliminación de ejemplos de entrenamiento o de características con valores perdidos 111 Atribución de valores perdidos 112 Interpretación de la API del estimador de Scikit-learn 114 Tratamiento de datos categóricos ................................................................. 115 Codifi cación de datos categóricos con Pandas 115 Asignación de las características ordinales 116 Codifi cación de las etiquetas de clase 117 Codifi cación one-hot de las características nominales 118 Opcional: codifi cación de características ordinales 121 Partición del conjunto de datos en conjuntos de entrenamiento y de prueba separados .................................................................................... 122 Las características deben estar en la misma escala ....................................... 125 Selección de características signifi cativas ..................................................... 128 Regularizaciones L1 y L2 como penalizaciones contra la complejidad del modelo 128 Interpretación geométrica de la regularización L2 129 Soluciones dispersas con la regularización L1 130 Algoritmos de selección secuencial de características 134 Evaluación de la importancia de las características con bosques aleatorios .... 141 Resumen ..................................................................................................... 143 5. Compresión de datos mediante la reducción de la dimensionalidad .. 145 Reducción de la dimensionalidad no supervisada mediante el análisis de componentes principales ....................................................................... 146 Etapas más importantes del análisis de componentes principales 146 Extracción de los componentes principales paso a paso 148 Varianzas total y explicada 151 Transformación de características 153 Análisis de componentes principales en Scikit-learn 156 Evaluación de las contribuciones de las características 159 Compresión de datos supervisados mediante el análisis discriminante lineal 162 Análisis de componentes principales frente al análisis discriminante lineal 162 Funcionamiento interno del análisis discriminante lineal 163 Cálculo de matrices de dispersión 164 Selección de discriminantes lineales para el nuevo espacio de características 166 Proyección de ejemplos en el nuevo espacio de características 169 LDA mediante Scikit-learn 170 Reducción de la dimensionalidad no lineal y visualización de datos .............. 172 ¿Por qué considerar la reducción de la dimensionalidad no lineal? 172 Visualización de datos mediante la incorporación de vecinos estocásticos distribuidos en t 174 Resumen ..................................................................................................... 177 6. Aprendizaje de las mejores prácticas para la evaluación de modelos y el ajuste de hiperparámetros .................................... 179 Optimización de fl ujos de trabajo con pipelines ............................................ 179 Carga del conjunto de datos Breast Cancer Wisconsin 180 Combinación de transformadores y estimadores en una pipeline 182 Uso de la validación cruzada de k iteraciones (k subconjuntos) para evaluar el rendimiento del modelo ............................................................... 184 El método de retención 184 Validación cruzada de k iteraciones 185 Depuración de algoritmos con curvas de aprendizaje y validación ................. 189 Diagnóstico de problemas de sesgo y varianza con curvas de aprendizaje 190 Como abordar el sobreajuste y el infraajuste con curvas de validación 193 Ajuste de los modelos de aprendizaje automático mediante la búsqueda en la red ................................................................................... 195 Ajuste de hiperparámetros mediante la búsqueda en la red 195 Confi guraciones de los hiperparámetros con la búsqueda aleatoria 197 Búsqueda de hiperparámetros más efi ciente en recursos con reducción sucesiva a la mitad 200 Selección de algoritmos con validación cruzada anidada 202 Observación de diferentes métricas de evaluación del rendimiento ............... 204 Lectura de la matriz de confusión 204 Optimización de la precisión y la recuperación de un modelo de clasifi cación 206 Representación de la característica operativa del receptor 209 Métricas de puntuación para la clasifi cación multiclase 211 Cómo hacer frente al desequilibrio de clases 212 Resumen ..................................................................................................... 215 7. Combinación de diferentes modelos para el aprendizaje de conjunto .... 217 Aprendizaje de conjunto .............................................................................. 217 Combinación de clasifi cadores mediante el voto mayoritario ......................... 221 Implementación de un clasifi cador de voto mayoritario sencillo 221 Utilización del principio de votación por mayoría para hacer pronósticos 226 Evaluación y ajuste del clasifi cador conjunto 229 Bagging: elaboración de un conjunto de clasifi cadores a partir de muestras bootstrap .................................................................................. 235 Bagging en pocas palabras 236 Aplicación de bagging para clasifi car ejemplos en el conjunto de datos Wine 237 Aprovechamiento de los alumnos débiles mediante el refuerzo adaptativo ...... 241 Cómo funciona el refuerzo adaptativo 242 Apicación de AdaBoost con Scikit-learn 246 Refuerzo del gradiente: entrenamiento de un conjunto basado en los gradientes de pérdida ........................................................................ 250 Comparación de AdaBoost con el refuerzo del gradiente 250 Esquema del algoritmo general de refuerzo del gradiente 251 Explicación del algoritmo de refuerzo del gradiente para la clasifi cación 253 Ilustración del refuerzo del gradiente para la clasifi cación 254 Utilización de XGBoost 257 Resumen ..................................................................................................... 259 8. Aplicación del aprendizaje automático al análisis de opiniones ........ 261 Preparación de datos de reseñas de películas de IMDb para el tratamiento de textos ............................................................................... 262 Obtención del conjunto de datos de reseñas de películas 262 Preprocesamiento del conjunto de datos de películas en un formato más conveniente 263 Presentación del modelo bolsa de palabras .................................................. 265 Transformación de palabras en vectores de características 265 Evaluación de la relevancia de las palabras mediante la frecuencia de los términos-frecuencia inversa de los documentos 267 Limpieza de datos de texto 270 Procesamiento de documentos en tokens 272 Entrenamiento de un modelo de regresión logística para la clasifi cación de documentos ............................................................................................ 274 Trabajo con conjuntos de datos más grandes: algoritmos en línea y aprendizaje fuera del núcleo ..................................................................... 277 Modelado de temas con asignación latente de Dirichlet ................................. 281 Descomposición de documentos de texto con LDA 282 LDA con Scikit-learn 282 Resumen ..................................................................................................... 286 9. Pronóstico de variables objetivo continuas con análisis de regresión ... 289 Introducción a la regresión lineal ................................................................ 290 Regresión lineal simple 290 Regresión lineal múltiple 291 Exploración del conjunto de datos Ames Housing ......................................... 292 Carga del conjunto de datos Ames Housing en un DataFrame 292 Visualización de las características importantes de un conjunto de datos 294 Obserevaciones de las relaciones mediante la matriz de correlación 296 Implementación del modelo de regresión lineal mediante mínimos cuadrados ordinarios .................................................................... 298 Resolución de la regresión para los parámetros de regresión con el descenso del gradiente 299 Estimación del coefi ciente del modelo de regresión mediante Scikit-learn 303 Ajuste del modelo de regresión robusto mediante RANSAC ........................... 306 Evaluación del rendimiento de los modelos de regresión lineal ..................... 309 Uso de métodos regularizados para la regresión ........................................... 314 Conversión del modelo de regresión lineal en una curva: regresión polinómica .................................................................................. 316 Adición de términos polinómicos usando Scikit-learn 316 Modelado de relaciones no lienales en el conjunto de datos Ames Housing 318 Tratamiento de relaciones no lineales mediante bosques aleatorios ............... 321 Regresión de árbol de decisión 321 Regresión de bosque aleatorio 323 Resumen ..................................................................................................... 326 10. El trabajo con datos no etiquetados: análisis de clustering ............. 327 Agrupación de objetos por similitud mediante k-means ................................ 328 Clustering de k-means con Scikit-learn 328 Una forma más inteligente de colocar los centroides iniciales de los clústeres utilizando k-means++ 333 Clustering duro frente a clustering blando 334 Uso del método del codo para encontrar el número óptimo de clústeres 336 Cuantifi ación de la calidad del clustering mediante gráfi cos de silueta 337 Organización de clústeres en forma de árbol jeráquico ................................. 342 Agrupación de clústeres de forma ascendente 343 Realización de la agrupación jeráquica en la matriz de distancias 344 Anexión de dendrogramas a un mapa de calor 348 Aplicación de clustering aglomerativo a través de Scikit-learn 350 Localización de regiones de alta densidad mediante DBSCAN ........................ 351 Resumen ..................................................................................................... 356 11. Implementación de una red neuronal artificial multicapa desde cero .... 359 Modelado de funciones complejas con redes neuronales artifi ciales .............. 359 Resumen de redes neuronales de una capa 361 Introducción a la arquitectura de redes neuronales multicapa 363 Activación de una red neuronal por propagación hacia delante 365 Clasifi cación de dígitos escritos a mano ........................................................ 368 Obtención y preparación del conjunto de datos MNIST 368 Implementación del perceptrón multicapa 372 Codifi cación del bucle de entrenamiento de la red neuronal 377 Evaluación del rendimiento de la red neuronal 382 Entrenamiento de redes neuronales artifi ciales ............................................ 386 Cálculo de la función de pérdida 386 Desarrollo de conocimiento de la retropropagación 388 Entrenamiento de redes neuronales por retropropagación 390 Sobre la convergencia en redes neuronales .................................................. 394 Unas últimas palabras sobre la implementación de redes neuronales ............ 395 Resumen ..................................................................................................... 396 12. Paralelización de redes neuronales con PyTorch ............................ 397 PyTorch y el rendimiento del entrenamiento ................................................ 397 Retos del rendmiento 398 ¿Qué es PyTorch? 399 Cómo vamos a aprender PyTorch 400 Primeros pasos con PyTorch ........................................................................ 400 Instalación de PyTorch 401 Creación de tensores en PyTorch 402 Manipulación del tipo de datos y la forma de tensores 403 Aplicación de operaciones matemáticas a tensores 404 División, apilamiento y concatenación de tensores 405 Elaboración de pipelines de entrada en PyTorch ........................................... 407 Creación de PyTorch DataLoader a partir de tensores existentes 408 Combinación de dos tensores en un conjunto de datos mixto 409 Barajar, agrupar y repetir 410 Creación de conjuntos de datos a partir de archivos del disco de almacenamiento local 412 Obtención de los conjuntos de datos disponibles en la biblioteca torchvision.datasets 416 Elaboración de modelos de NN en PyTorch ................................................... 420 Módulo de redes neuronales de PyTorch (torch.nn) 420 Elaboración de un modelo de regresión lineal 421 Entrenamiento de modelos mediante los módulos torch.nn y torch.optim 425 Elaboración de un perceptrón multicapa para clasifi car fl ores en el conjunto de datos Iris 426 Evaluación del modelo entrenado en el conjunto de datos de prueba 429 Almacenamineto y recarga del modelo entrenado 430 Elección de funciones de activación para redes reuronales multicapa ............ 431 Recapitulación de la función logística 431 Estimación de las probabilidades de clase en la clasifi cación multiclase mediante la función soft max 433 Ampliación del espectro de salida mediante la tangente hiperbólica 434 Activación de la unidad lineal rectifi cada 434 Resumen ..................................................................................................... 438 13. Profundización: la mecánica de PyTorch ...................................... 441 Características esenciales de PyTorch .......................................................... 442 Grafos de computación de PyTorch .............................................................. 443 Comprensión de los grafos de computación 443 Creación de grafos en PyTorch 443 Objetos tensoriales PyTorch para almacenar y actualizar los parámetros del modelo ........................................................................... 444 Cálculo de gradientes mediante diferenciación automática ........................... 447 Cálculo de gradientes de pérdida con respecto a las variables entrenables 447 Comprensión de la diferenciación automática 449 Ejemplos adversarios 449 Simplifi cación de las implementaciones de arquitecturas más frecuentes mediante el módulo torch.nn ....................................................................... 449 Implementación de modelos basados en nn.Sequential 450 Elección de la función de pérdida 451 Resolución de problemas de clasifi cación XOR 452 Cómo fl exibilizar la elaboración de modelos con nn.Module 457 Cómo escribir capas personalizadas en PyTorch 459 Proyecto uno: pronóstico de la efi ciencia de combustibles de coches ............. 464 Trabajo a realizar con columnas de características 464 Entrenamiento de modelos de regresión DNN 468 Proyecto dos: clasifi cación de dígitos escritos a mano del MNIST .................. 470 Las API de PyTorch de alto nivel: una breve introducción a PyTorch-Lightning .................................................................................... 473 Confi guración del modelo PyTorch Lightning 474 Confi guración de los cargadores de datos para Lightning 477 Entrenamiento de modelos con la clase PyTorch Lightning Trainer 479 Evaluación del modelo con TensorBoard 479 Resumen ..................................................................................................... 483 14. Clasificación de imágenes con redes neuronales convolucionales profundas ........................................................ 485 Componentes de las CNN ............................................................................. 485 Comprensión de las CNN y jerarquías de características 486 Realización de convoluciones discretas 488 Convoluciones discretas en una dimensión 489 Entradas de relleno para controlar el tamaño de los mapas de características de salida 491 Determinación del tamaño de la salida de la convolución 493 Realización de convoluciones discretas en 2D 494 Capas de submuestreo 498 Poner todo junto: implementación de CNN ................................................... 499 Trabajo con varios canales de entrada o de color 500 Regularización de NN con regularización y abandono de L2 503 Funciones de pérdida para la clasifi cación 507 Implementación de CNN profundas utilizando PyTorch ................................ 509 La arquitectura de CNN multicapa 509 Carga y preprocesamiento de datos 510 Implementación de CNN usando el módulo torch.nn 512 Confi guración de capas de CNN en PyTorch 512 Construcción de CNN en PyTorch 513 Clasifi cación de sonrisas a partir de imágenes faciales mediante CNN ........... 519 Carga del conjunto de datos CelebA 519 Transformación de imágenes e incremento de datos 520 Entrenamiento de un clasifi cador de sonrisas CNN 527 Resumen ..................................................................................................... 534 15. Modelado de datos secuenciales mediante redes neuronales recurrentes ............................................................................... 537 Introducción a los datos secuenciales .......................................................... 537 Modelado de datos secuenciales: el orden importa 538 Datos secuenciales frente a datos de series temporales 538 Representación de secuencias 539 Diferentes categorías del modelado de secuencias 539 RNN para modelar secuencias ...................................................................... 541 Comprender el fl ujo de datos en las RNN 541 Cálculo de activaciones en RNN 543 Recurrencia oculta frente a recurrencia de salida 545 Retos del aprendizaje de las interacciones de largo alcance 548 Células de memoria a corto y largo plazo 550 Implementación de RNN para el modelado de secuencias en PyTorch ........... 552 Proyecto uno: pronóstico de las opiniones en las reseñas de cine de IMDb 552 Preparación de los datos de reseñas de películas 553 Capas de incorporación (embedding) para la codifi cación de frases 558 Elaboración de modelos RNN 560 Elaboración de un modelo RNN para la tarea de análisis de opiniones 561 Proyecto dos: modelado lingüístico a nivel de caracteres en PyTorch 566 Preprocesamiento del conjunto de datos 567 Elaboración de un modelo RNN a nivel de carácter 572 Fase de evaluación: generación de nuevos pasajes de texto 574 Resumen ..................................................................................................... 579 16. Transformadores: mejora del procesamiento del lenguaje natural con mecanismos de atención ........................................... 581 Adición de un mecanismo de atención a las RNN .......................................... 582 El mecanismo de atención ayuda a las RNN a acceder a la información 582 Mecanismo de atención original para las RNN 583 Procesamiento de entradas mediante RNN bidireccional 584 Generación de salidas a partir de vectores de contexto 585 Cálculo de los pesos de atención 586 Introducción al mecanismo de autoatención ................................................ 587 Empezando por una forma básica de autoatención 587 Parameterización del mecanismo de autoatención: atención del producto punto escalado 591 La atención es todo lo que necesitamos: introdución a la arquitectura original del transformador .......................................................................... 595 Codifi cación de las incorporaciones de contexto mediante atención multicabezal 597 Aprendizaje de un modelo lingüístico: decodifi cador y atención multicabezal enmascarada 601 Detalles de la implementación: codifi caciones posicionales y normalización de capas 602 Elaboración de modelos lingüísticos a gran escala aprovechando los datos no etiquetados .............................................................................. 605 Preentrenamiento y ajuste de los modelos de transformadores 605 Aprovechamiento de datos no etiquetados con GPT 608 Utilización de GPT-2 para generar texto nuevo 612 Preentrenamiento bidireccional con BERT 614 Lo mejor de ambos mundos: BART 618 Reajuste de modelos BERT en PyTorch .......................................................... 621 Carga del conjunto de datos de reseñas de películas de IMDb 622 Tokenización del conjunto de datos 624 Carga y reajuste de modelos BERT preentrenados 625 Cómo reajustar los transformadores de forma más cómoda mediante la API Trainer 630 Resumen ..................................................................................................... 634 17. Redes generativas antagónicas con las que sintetizar nuevos datos .... 637 Introducción a las redes generativas antagónicas .......................................... 637 Empezando por los autocodifi cadores 638 Modelos generativos para sintetizar nuevos datos 640 Generación de nuevas muestras con GAN 642 Comprensión de las funciones de perdida de las redes generadoras y discriminadoras en un modelo GAN 643 Implementación de un modelo GAN desde cero ............................................ 645 Entrenamiento de modelos GAN en Google Colab 646 Implementación de las redes generadora y discriminadora 649 Defi nición del conjunto de datos de entrenamiento 652 Entrenamiento de modelos GAN 654 Mejora de la calidad de las imágenes sintetizadas mediante GAN convolucionales y de Wasserstein .......................................................... 661 Convolución traspuesta 661 Normalización por lotes 663 Implementación del generador y del discriminador 666 Medidas de disimilitud entre dos distribuciones 673 Uso de la distancia EM en la prática para las GAN 677 Penalización del gradiente 677 Implementación de WGAN-GP para entrenar modelos DCGAN 678 Colapso de modo 683 Otras aplicaciones de las GAN ...................................................................... 684 Resumen ..................................................................................................... 685 18. Redes neuronales de grafos para captar las dependencias en datos estructurados en grafos ................................................. 687 Introducción a los datos de grafos ................................................................ 688 Grafos no dirigidos 688 Grafos dirigidos 689 Grafos etiquetados 690 Representación de las moléculas como grafos 690 Comprensión de las convoluciones de grafos ................................................ 690 Motivaciones para utilizar las convoluciones de grafos 691 Implementación de una convolución básica de grafos 693 Implementación de GNN en PyTorch desde cero ........................................... 698 Defi nición del modelo NodeNetwork 698 Codifi cación de la capa de convolución del grafo de NodeNetwork 700 Preparación de DataLoader 704 Uso de NodeNetwork para hacer pronósticos 707 Implementación de GNN con la biblioteca PyTorch Geometric ...................... 708 Otras capas de GNN y desarrollos recientes .................................................. 714 Convoluciones de grafos espectrales 714 Reducción (pooling) 716 Normalización 718 Referencias a las redes neuronales de grafos en la literatura avanzada 719 Resumen ...................................................................................................... 721 19. Aprendizaje reforzado para la toma de decisiones en entornos complejos .............................................................. 723 Introducción: aprender de la experiencia ..................................................... 724 Comprensión del aprendizaje reforzado 724 Defi nición de la interfaz agente-entorno de los sistemas de aprendizaje reforzado 726 Fundamentos teóricos de RL ........................................................................ 727 Procesos de decisión de Markov 727 Formulación de los procesos de decisión de Markov 728 Visualización del proceso de Markov 730 Tareas episodicas o continuas 731 Terminología RL: retorno, política y función de valor 731 Retorno 732 Política 733 Función de valor 734 Programación dinámica mediante la ecuación de Bellman 735 Algoritmos de aprendizaje reforzado ............................................................ 736 Programación dinámica 737 Evaluación de políticas: pronóstico de la función de valor con programación dinámica 738 Mejora de la política mediante la función de valor estimada 738 Iteración de la política 739 Itearción del valor 739 Aprendizaje reforzado con Monte Carlo 740 Estimación de la función de valor del estado mediante MC 741 Estimación de la función de valor de la acción mediante MC 741 Consecución de la política óptima mediante el control de MC 741 Mejora de la política: cálculo de la política codiciosa a partir de la función de valor de la acción 742 Aprendizaje por diferencia temporal 742 Pronóstico TD 743 Control de TD en la política (SARSA) 744 Control de TD fuera de la política (Q-learning) 744 Implementación de nuestro primer algoritmo RL ......................................... 745 Presentación del kit de herramientas OpenAI Gym 745 El trabajo con los entornos existentes en OpenAI Gym 746 Ejemplo del tipo mundo cuadriculado 748 Implementación del entorno de mundo cuadriculado en OpenAI Gym 748 Resolución del problema de mundo cuadriculado con Q-learning 755 Un vistazo a Q-learning profundo ................................................................. 760 Entrenamiento de modelos DQN según el algoritmo Q-learning 761 Memoria de repetición 761 Determinación de los valores objetivo para el cálculo de la pérdida 762 Implementación del algoritmo Q-learning profundo 764 Resumen del capítulo y del libro .................................................................. 768Machine 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' -Dmytro Dzhulgakov PyTorch Core MaintainerMachine 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' -Dmytro Dzhulgakov PyTorch Core Maintainer