Aprende Machine Learning en Español
¡Gratis!
Precio mínimo
$9.99
Precio sugerido
Este libro está 80% completo
Este libro se actualizó por última vez el 2020-09-21.
Sobre este 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.
Entre otras cosas, aprenderás:
- Instalar el ambiente de desarrollo Python
- Predecir si una canción será la número 1 del Billboard
- 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
Table of Contents
-
Nota Inicial
- Version 2.0
- Extras
- 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
- 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
- Recursos Adicionales
-
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 más usadas.
- 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
- Subsampling con Max-Pooling
- ¿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
- No incluido
- 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
Authors have earned$9,395,167writing, publishing and selling on Leanpub,
earning 80% royalties while saving up to 25 million pounds of CO2 and up to 46,000 trees.
Más información sobre cómo escribir en Leanpub
Leanpub incondicional, sin riesgo, 100% de felicidad garantizada
Durante los primeros 45 días de compra, puedes obtener un reembolso del 100% de cualquier compra Leanpub, en dos clics. Procesamos las restituciones manualmente, así que puede tomarse unos días en aparecer. Véase términos completos.
Actualizaciones gratis. Libre de DRM.
¡Si compras un libro Leanpub obtienes actualizaciones gratis siempre y cuando el autor actualice el libro! Varios autores usan Leanpub para publicar sus libros en progreso mientras los escriben. Todos los lectores obtienen actualizaciones gratis, independientemente de cuándo compraron el libro o cuánto pagaron (incluyendo si fue gratis).
La mayoría de los libros Leanpub se encuentran disponibles en PDF (para computadores), EPUB (para teléfonos y tabletas) y MOBI (para Kindle). Los formatos que un libro incluye se muestran en la esquina superior derecha de esta página.
Finalmente, los libros Leanpub no tienen ninguna de las cosas sin sentido sobre protección de copia DRM, así que puedes leerlos fácilmente en cualquier dispositivo que se soporta.
Aprende más sobre los formatos de Leanpub y dónde puedes leerlos
