Gracias a varios logros innovadores, el ‘deep learning’ ha dado un gran impulso a todo el campo del ‘machine learning’. Ahora, incluso programadores que no saben casi nada de esta tecnología pueden usar herramientas sencillas y eficaces para implementar programas capaces de aprender a partir de datos.
La edición actualizada de este ‘best seller’ utiliza ejemplos concretos, una teoría mínima y ‘frameworks’ de Python listos para la producción para ayudarte a obtener una comprensión intuitiva de los conceptos y herramientas para crear sistemas inteligentes. Aprenderás varias técnicas que podrás usar enseguida.
Con ejercicios en cada capítulo para ayudarte a aplicar lo que has aprendido, lo único que necesitas para empezar es experiencia en programación. Todo el código está disponible en GitHub. Se ha actualizado a TensorFlow 2 y la versión más reciente de Scikit-Learn.
Prefacio
Parte I. Fundamentos del ‘machine learning’
1. El paisaje del ‘machine learning’
2. Proyecto de machine learning de principio a fin
3. Clasificación
4. Entrenar modelos
5. Máquinas de vectores soporte
6. Árboles de decisiones
7. Ensamblaje y ‘random forests’
8. Reducción de dimensionalidad
9. Técnicas de aprendizaje no supervisado
Parte II. Redes neuronales y ‘deep learning’
10. Introducción a las redes neuronales artificiales con Keras
11. Entrenar redes neuronales profundas
12. Modelos personalizados y entrenamiento con TensorFlow
13. Cargar y preprocesar datos con TensorFlow
14. ‘Deep learning’ para visión por ordenador usando redes neuronales convolucionales
15. Procesar secuencias utilizando RNR y RNC
16. Procesamiento de lenguaje natural con RNR y atención
17. Aprendizaje de representación y aprendizaje generativo utilizando autocodificadores y GAN
18. Aprendizaje por refuerzo
19. Entrenar y desplegar modelos de TensorFlow a escala
A. Soluciones de los ejercicios
B. Lista de comprobación de proyectos de ‘machine learning’
C. Problema dual con SVM
D. Autodiferenciación
E. Otras arquitecturas de RNA populares
F. Estructuras de datos especiales
G. Grafos de TensorFlow
Índice alfabético
JACINTO FARTO MARTÍNEZ , Licenciado en Relaciones Laborales y Ciencias del Trabajo por la Universidad de León
