Aprende Machine Learning en Español
Aprende Machine Learning en Español
Teoría + Práctica Python
Sobre el Libro
Durante los últimos años el Machine Learning está liderando la transformación industrial y al mundo tal y como lo conocemos. Nos vemos rodeados de asistentes virtuales, recomendadores de productos y sugerencias personalizadas constantemente.
Es el momento de pasar de ser un simple espectador y convertirte en protagonista!
Con este libro entenderás los conceptos básicos de la Inteligencia Artificial y aprenderás mediante sencillos ejercicios en Python cómo crear tus propios modelos ML y servicios de Aprendizaje Automático.
Disponible en formato "papel" en la tienda de Amazon (búscalo en tu país)
Entre otras cosas, aprenderás:
- Instalar el ambiente de desarrollo Python
- Predecir si una canción será la número 1 del Billboard 100
- Crear un motor de recomendaciones
- Cómo funcionan las redes neuronales
- Problemas de clasificación y regresión
- Sube tu propio servicio de Predicción de ventas a la nube
¡Estás a un paso de iniciar tu carrera como científico de datos!
Tecnologías
Utilizaremos las librerías python más usadas en el mercado:
- Pandas
- Scikit-learn
- Tensorflow
- Keras
- y muchas más!
Este libro surge como resultado de publicar artículos en español durante más de 2 años en el blog Aprende Machine Learning, un espacio educativo que fue ganando popularidad y que tras alcanzar 1 millón de visitas me impulsó a publicarlo.
Vamos a aprender juntos, a participar en esta emocionante época de grandes cambios en lo digital pero también en nuestra sociedad.
Sobre el Autor
Testimonios de los lectores
CristopherA98
Excelente
Hoy lo descargué, y estoy fascinado con el contenido. #aprendeML #Python #MachineLearning
@VGimenezM
¡Por fin me ha llegado #aprendeML en español!
¡Por fin me ha llegado #aprendeML en español! Comienza una lectura muy interesante :D gracias a @jbagnato por el esfuerzo de plasmar el conocimiento en papel!
Mike Dull
Esto merece un WoW!
¡Juan Ignacio Bagnato ha sacado la edición PAPEL de su libro, y eso merece un WoW! de forma clara explica y pone en práctica todo aquello que te gustaría aprender sobre Machine Learning! Cara de robot ¡¡Si tienes un/una FAN del Data en casa, las 360 páginas de este libro son TOP!
jcricocordoba
Comprado con mucha ilusión por aprender más sobre datos y su tratamiento.
Guillerminai
NO PUEDO CREER TENER ESTE ORO EN MIS MANOS #aprendeML de @jbagnato MIL GRACIAS Juan Ignacio!
jpablo146
Gracias @jbagnato, ahora a continuar aprendiendo #aprendeML
InovasSpA
Genial El libro
Genial El libro - Aprende Machine Learning en Español- Gracias Juan Ignacio Bagnato - #aprendeML
antonygiomarx
me ha salvado la vida!
#aprendeML es de lo mejor que me he topado de momento, estaba investigando como aprender Machine Learning y esto me ha salvado la vida, @jbagnato gracias por esto.
Nahuel Carro
Lo recomiendo
Quiero agradecer a Juan Ignacio Bagnato por el libro Aprende Machine Learning en Español, que me permitió seguir ampliando mis conocimientos. Lo recomiendo para aquellos que les interese esta rama de la Inteligencia Artificial y quieran conocer mas sobre los distintos tipos de aprendizaje automático.
RAFAEL ALGUACIL ROLDAN
Material para seguir avanzando y aprendiendo en esta "pasión".
Matias Pierri
Llego la hora de sumergirme en el mundo de Machine Learning donde todo parece “mágico” pero hay mucha ciencia detrás.
Índice
-
Nota Inicial
- Repositorio
- Tu opinión
-
¿Qué es el Machine Learning?
- Definiendo Machine Learning
- Una Definición Técnica
- Diagrama de Venn
- Aproximación para programadores
- Resumen
-
Instalar el Ambiente de Desarrollo Python
- ¿Por qué instalar Python y Anaconda en mi ordenador?
- 1. Descargar Anaconda
- 2. Instalar Anaconda
- 3. Iniciar y Actualizar Anaconda
- 4. Actualizar libreria scikit-learn
- 5. Instalar librerías para Deep Learning
- Resumen
-
Análisis Exploratorio de Datos
- ¿Qué es el EDA?
- EDA deconstruido
- ¿Qué sacamos del EDA?
- Técnicas para EDA
- Un EDA de pocos minutos con Pandas
- Más cosas! (que se suelen hacer):
- Resumen
-
Regresión Lineal con Python
- ¿Qué es la regresión lineal?
- ¿Cómo funciona el algoritmo de regresión lineal en Machine Learning?
- Un Ejercicio Práctico
- Predecir cuántas veces será compartido un artículo de Machine Learning.
- Regresión Lineal con Python y SKLearn
- Visualicemos la Recta
- Predicción en regresión lineal simple
- Regresión Lineal Múltiple en Python
- Visualizar un plano en 3 Dimensiones en Python
- Predicción con el modelo de Mútiples Variables
- Resumen
-
Regresión Logística
- Introducción
- Ejercicio de Regresión Logística en Python
- Regresión Logística con SKLearn:
- Visualización de Datos
- Creamos el Modelo de Regresión Logística
- Validación de nuestro modelo
- Reporte de Resultados del Modelo
- Clasificación de nuevos valores
- Resumen
-
Arbol de Decisión
- ¿Qué es un árbol de decisión?
- ¿Cómo funciona un árbol de decisión?
- Arbol de Decisión con Scikit-Learn paso a paso
- Predicción del “Billboard 100”: ¿Qué artista llegará al número uno del ranking?
- Obtención de los datos de entrada
- Análisis Exploratorio Inicial
- Balanceo de Datos: Pocos artistas llegan al número uno
- Preparamos los datos
- Mapeo de Datos
- Buscamos la profundidad para el árbol de decisión
- Visualización del árbol de decisión
- Análisis del árbol
- Predicción de Canciones al Billboard 100
- Resumen
-
Qué es overfitting y cómo solucionarlo
- Generalización del Conocimiento
- El problema de la Máquina al Generalizar
- Overfitting en Machine Learning
- El equilibrio del Aprendizaje
- Prevenir el Sobreajuste de datos
- Resumen
-
Datos desbalanceados
- Problemas de clasificación con Clases desequilibradas
- ¿Cómo nos afectan los datos desbalanceados?
- Métricas y Confusion Matrix
- Vamos al Ejercicio con Python!
- Análisis exploratorio
- Estrategias para el manejo de Datos Desbalanceados:
- Probando el Modelo sin estrategias
- Estrategia: Penalización para compensar
- Estrategia: Subsampling en la clase mayoritaria
- Estrategia: Oversampling de la clase minoritaria
- Estrategia: Combinamos resampling con Smote-Tomek
- Estrategia: Ensamble de Modelos con Balanceo
- Resultados de las Estrategias
- Resumen
-
Random Forest, el poder del Ensamble
- ¿Cómo surge Random Forest?
- ¿Cómo funciona Random Forest?
- ¿Por qué es aleatorio?
- Ventajas y Desventajas del uso de Random Forest
- Vamos al Código Python
- Creamos el modelo y lo entrenamos
- Los Hiperparámetros más importantes
- Evaluamos resultados
- Comparamos con el Baseline
- Resumen
-
Conjunto de Entrenamiento, Test y Validación
- Un nuevo Mundo
- Hágase el conjunto de Test
- Al Séptimo día Dios creo el Cross-Validation
- Técnicas de Validación Cruzada
- Ejemplo K-Folds en Python
- Más técnicas para Validación del modelo
- Series Temporales: Atención al validar
- Pero entonces? Cuando uso Cross-Validation?
- ¿Si ya estoy “conforme” y quiero llevar el modelo a un entorno de Producción?
- Resumen
-
K-Means
- Cómo funciona K-Means
- Casos de Uso de K-Means
- Datos de Entrada para K-Means
- El Algoritmo K-means
- Elegir el valor de K
- Ejemplo K-Means con Scikit-learn
- Agrupar usuarios Twitter de acuerdo a su personalidad con K-means
- Visualización de Datos
- Definimos la entrada
- Obtener el valor K
- Ejecutamos K-Means
- Clasificar nuevas muestras
- Resumen
-
K-Nearest-Neighbor
- ¿Qué es el algoritmo k-Nearest Neighbor ?
- ¿Dónde se aplica k-Nearest Neighbor?
- Pros y contras
- ¿Cómo funciona kNN?
- Un ejemplo k-Nearest Neighbor en Python
- El Ejercicio: App Reviews
- Un poco de Visualización
- Preparamos las entradas
- Usemos k-Nearest Neighbor con Scikit Learn
- Precisión del modelo
- Y ahora, la gráfica que queríamos ver!
- Elegir el mejor valor de k
- Clasificar ó Predecir nuevas muestras
- Resumen
-
Naive Bayes: ¿Comprar casa o Alquilar?
- Los Datos de Entrada:
- El teorema de Bayes
- Clasificador Gaussian Naive Bayes
- Visualización de Datos
- Preparar los datos de entrada
- Feature Selection ó Selección de Características
- Crear el modelo Gaussian Naive Bayes con SKLearn
- Probemos el modelo: ¿Comprar o Alquilar?
- Resumen
-
Sistemas de Recomendación
- ¿Qué son los Sistemas ó Motores de Recomendación?
- Tipos de motores
- ¿Cómo funciona Collaborative Filtering?
- Predecir gustos (User-based)
- Ejercicio en Python: “Sistema de Recomendación de Repositorios Github”
- Dividimos en Train y Test set
- Resumen
-
Breve Historia de las Redes Neuronales Artificiales
- Arquitecturas y Aplicaciones de las Redes Neuronales
- Evolución de las Redes Neuronales en Ciencias de la Computación
- El inicio de todo: la neurona artificial
- Los 1980s: aprendizaje automático
- Se alcanza el Deep Learning
- Resumen
-
Aprendizaje Profundo: una Guía rápida
- Deep Learning y Redes Neuronales -sin código-
- ¿Cómo funciona el Deep Learning? Mejor un Ejemplo
- Creamos una Red Neuronal
- ¿Cómo se calcula la predicción?
- Entrenando Nuestra Red Neuronal
- ¿Cómo reducimos la función coste -y mejoramos las predicciones-?
- Resumen
-
Crear una Red Neuronal en Python desde cero
- El proyecto
- Funciones Sigmoide
- Forward Propagation -ó red Feedforward-
- Backpropagation (cómputo del gradiente)
- El Código de la red Neuronal
- Resumen
-
Programa un coche Robot Arduino que conduce con IA
- La Nueva Red Neuronal
- El coche Arduino
- Circuito del coche
- Montar el coche
- Copiar la red neuronal
- El código Arduino
- El Coche en Acción!
- Resumen
-
Una sencilla Red Neuronal con Keras y Tensorflow
- Requerimientos para el ejercicio
- Las compuertas XOR
- Una Red Neuronal Artificial sencilla con Python y Keras
- Analicemos la red neuronal que hicimos
- Visualización de la red Neuronal
- A Entrenar la red!
- Resultados del Entrenamiento
- Evaluamos y Predecimos
- Afinando parámetros de la red neuronal
- Guardar la red y usarla -de verdad-
- ¿Vale la pena una red neuronal?
- Resumen
-
Pronóstico de Series Temporales con Redes Neuronales
- ¿Qué es una serie temporal y qué tiene de especial?
- Cargar el Ejemplo con Pandas
- Visualización de datos
- ¿Cómo hacer pronóstico de series temporales?
- Pronóstico de Ventas Diarias con Redes Neuronal
- Creamos la Red Neuronal Artificial
- Entrenamiento y Resultados
- Pronóstico de ventas futuras
- Resumen
-
Pronóstico de Ventas con Redes Neuronales (Parte 2)
- Mejora del modelo de Series Temporales con Múltiples Variables y Embeddings
- Mejoras al modelo de Series Temporales
- Primer Mejora: Serie Temporal de múltilples Variables
- Fecha como variable de entrada
- Segunda mejora: Embeddings en variables categóricas
- ¿Qué son los Embeddings?
- Quiero Python!
- Comparemos los Resultados de los 3 modelos:
- Resumen
-
Crea tu propio servicio de Machine Learning con Flask
- Implementar modelos de Machine Learning
- Servir mediante una API
- Instalar Flask
- Crear el modelo de ML
- Guardar el modelo; Serialización de objetos en Python
- Crear una API con Flask
- Actualizar el modelo (según sea necesario!)
- Resumen
-
Clasificación de Imágenes en Python
- Ejercicio: Clasificar imágenes de deportes
- Vamos al código Python
- 1- Importar librerías
- 2-Cargar las imágenes
- 3- Crear etiquetas y clases
- 4-Creamos sets de Entrenamiento y Test, Validación y Preprocesar
- 5 - Creamos la red (Aquí la Magia)
- 6-Entrenamos la CNN
- 7-Resultados de la clasificación
- Resumen
-
¿Cómo funcionan las Convolutional Neural Networks?
- Muchas imágenes
- Pixeles y neuronas
- Convoluciones
- Filtro: conjunto de kernels
- La función de Activación
- Subsampling
- ¿Ya terminamos? NO: ahora más convoluciones!!
- Conectar con una red neuronal “tradicional”
- ¿Y cómo aprendió la CNN a “ver”?: Backpropagation
- Comparativa entre una red neuronal “tradicional” y una CNN
- Arquitectura básica
- Resumen
-
Detección de Objetos con Python
- ¿En qué consiste la detección YOLO?
- El proyecto Propuesto: Detectar personajes de Lego
- Crea un dataset: Imágenes y Anotaciones
- El lego dataset
- El código Python
- Leer el Dataset
- Train y Validación
- Data Augmentation
- Crear la Red de Clasificación
- Crear la Red de Detección
- Generar las Anclas
- Entrenar la Red!
- Revisar los Resultados
- Probar la Red
- Resumen
-
Anexo I: Webscraping
- Ejemplo Web Scraping en Python: IBEX35® la Bolsa de Madrid
- Requerimientos
- Conocimientos básicos de HTML y CSS
- Inspección Manual de la web
- Código webscraping Python
- Guardar CSV y ver en Excel
- Otros ejemplos útiles de Webscaping:
- Resumen
-
Anexo II: Machine Learning en la Nube
- ¿Machine Learning en la Nube? Google Colaboratory con GPU!
- Machine Learning desde el Navegador
- La GPU…. ¿en casa o en la nube?
- ¿Qué es Google Colab?
- Enlazar con Google Drive
- Ejecutar una jupyter notebook de Github
- Instalar otras librerías Python con Pip
- Resumen
-
Anexo III: Principal Component Analysis
- Introducción a PCA
- ¿Qué es Principal Component Analysis?
- ¿Cómo funciona PCA?
- Selección de los Componentes Principales
- ¿Pero… porqué funciona PCA?
- Ejemplo “mínimo” en Python
- Resumen
- Resultados de PCA en el mundo real
Garantía de satisfacción 100% de Leanpub por 60 días
Durante los 60 días posteriores a la compra, puedes obtener un reembolso del 100% en cualquier compra de Leanpub, en dos clics.
Técnicamente, esto es arriesgado para nosotros, ya que tendrás los archivos del libro o curso de cualquier manera. Pero estamos tan seguros de nuestros productos y servicios, y de nuestros autores y lectores, que nos complace ofrecer una garantía de devolución total del dinero para todo lo que vendemos.
Solo puedes descubrir qué tan bueno es algo probándolo, y debido a nuestra garantía de devolución del 100% del dinero, ¡literalmente no hay riesgo al hacerlo!
Entonces, no hay razón para no hacer clic en el botón Agregar al carrito, ¿verdad?
Ver términos completos...
Gane $8 por una compra de $10, y $16 por una compra de $20
Pagamos regalías del 80% en compras de $7.99 o más, y regalías del 80% menos una tarifa fija de 50 centavos en compras entre $0.99 y $7.98. Usted gana $8 en una venta de $10, y $16 en una venta de $20. Así que, si vendemos 5000 copias no reembolsadas de su libro por $20, usted ganará $80,000.
(Sí, algunos autores ya han ganado mucho más que eso en Leanpub.)
De hecho, los autores han ganadomás de $14 millones escribiendo, publicando y vendiendo en Leanpub.
Aprenda más sobre escribir en Leanpub
Actualizaciones gratuitas. Sin DRM.
¡Si compras un libro de Leanpub, recibirás actualizaciones gratuitas mientras el autor actualice el libro! Muchos autores utilizan Leanpub para publicar sus libros mientras los escriben. Todos los lectores reciben actualizaciones gratuitas, sin importar cuándo compraron el libro o cuánto pagaron (incluso si fue gratis).
La mayoría de los libros de Leanpub están disponibles en PDF (para computadoras) y EPUB (para teléfonos, tabletas y Kindle). Los formatos incluidos en un libro se muestran en la esquina superior derecha de esta página.
Finalmente, los libros de Leanpub no tienen ninguna protección DRM sin sentido, por lo que puedes leerlos fácilmente en cualquier dispositivo compatible.
Aprende más sobre los formatos de ebook de Leanpub y dónde leerlos
