Aprende Machine Learning en Español
Este libro está 35% completo
Este libro se actualizó por última vez el 2020-07-04.
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 y sugerencias personalizadas constantemente.
Ahora es el momento de pasar de ser un mero espectador de lo que ocurre a tu alrededor y convertirte en protagonista!
Con este libro entenderás los conceptos básicos de la Inteligencia Artificial y aprenderás mediante sencillos ejercicios en código 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
- Como funcionan las redes neuronales
- Programa un coche de juguete para que conduzca sólo y evite obstáculos
- Sube tu propio servicio de Predicción de ventas a la nube
Estas a un paso de iniciar tu carrera como científico de datos!
Tecnologías
Utilizaremos las librerías python más populares 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 época de grandes cambios en lo digital pero también en nuestras sociedades.
Sobre el autor
Table of Contents
-
Nota Inicial
- Version 1.4
- Extras
- Repo
- Feedback
-
¿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?
- Agenda
- 1. Descargar Anaconda
- 2. Instalar Anaconda
- 3. Iniciar y Actualizar Anaconda
- 4. Actualizar libreria scikit-learn
- 5. Instalar librerías para Deep Learning
- Resumen
- Otros artículos de interés (en inglés)
-
Análisis Exploratorio de Datos con Pandas en Python
- ¿Qué es el EDA?
- EDA deconstruido
- ¿Qué sacamos del EDA?
- Técnicas para EDA
- Un EDA de pocos minutos con Pandas (Python)
- Más cosas! que se suelen hacer:
- Resumen
- Recursos
- BONUS track: Notebook sobre manipulación de datos con Pandas
- Artículos Relacionados
-
Regresión Lineal en español con Python
- ¿Qué es la regresión lineal?
- ¿Cómo funciona el algoritmo de regresión lineal en Machine Learning?
- Hagamos un Ejercicio Práctico
- Requerimientos para hacer el Ejercicio
- 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
- Recursos y enlaces
-
Regresión Logística
- Breve Introducción
- Ejercicio de Regresión Logística en Python
- Requerimientos técnicos
- 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?
- Indice Gini:
- Ganancia de información:
- Ejemplo de Arbol de Decisión con Python, Scikit-Learn paso a paso
- Requerimientos para hacer el Ejercicio
- Predicción del “Billboard 100”: ¿Qué artista llegará al número uno del ranking?
- Balanceo de Datos: Pocos artistas llegan al número uno
- Preparamos los datos
- Mapeo de Datos
- Buscamos la profundidad para nuestro árbol de decisión
- Visualización del árbol de decisión
- Predicción de Canciones al Billboard 100
- Resumen
- Recursos y enlaces
-
Datos desbalanceados
- Agenda:
- ¿Qué son los problemas de clasificación de Clases desequilibradas?
- Métricas y Confusion Matrix
- Vamos al Ejercicio con Python!
- Estrategias para el manejo de Datos Desbalanceados:
- Probando el Modelo “a secas” -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
- Recursos
-
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
- Resumen
- Recursos y Adicionales
-
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
- Un ejemplo K-Means en Python con Sklearn
- 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?
- Hagamos un ejemplo k-Nearest Neighbor en Python
- Requerimientos
- 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 y/o Predecir nuevas muestras
- Resumen
- Recursos y enlaces
- Clasificación de Imagenes
-
Detección de Objetos con Python
- Agenda
- ¿En qué consiste la detección YOLO?
- El proyecto Propuesto: Detectar personajes de Lego
- Lo que tienes que instalar
- Crea un dataset: Imágenes y Anotaciones
- 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
- Todo el Material
- Conjuntos de Train, Test y Validación
- Motor de Recomendación
- Naive Bayes
- Overfitting y la Generalización del conocimiento
- Redes Neuronales
- Deep Learning
- Tensorflow y Keras
- Coche Robot que conduce solo
- Series Temporales
- Crea tu propio servicio de Machine Learning
Authors have earned$9,095,176writing, 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
