Scribd
Cargar
3 vistas2 páginas

Resumen Introduction Machine Learning Python

El libro 'Introduction to Machine Learning with Python' de Andreas C. Müller y Sarah Guido ofrece una guía práctica para aplicar técnicas de aprendizaje automático utilizando Python y scikit-learn, dirigido a científicos de datos y desarrolladores. A través de ocho capítulos, cubre desde conceptos básicos hasta temas avanzados, incluyendo aprendizaje supervisado y no supervisado, preprocesamiento de datos, evaluación de modelos y trabajo con datos de texto. Es un recurso accesible que facilita la comprensión de conceptos complejos sin necesidad de conocimientos matemáticos avanzados.

Cargado por

Rotherick Calderon Molina
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
3 vistas2 páginas

Resumen Introduction Machine Learning Python

El libro 'Introduction to Machine Learning with Python' de Andreas C. Müller y Sarah Guido ofrece una guía práctica para aplicar técnicas de aprendizaje automático utilizando Python y scikit-learn, dirigido a científicos de datos y desarrolladores. A través de ocho capítulos, cubre desde conceptos básicos hasta temas avanzados, incluyendo aprendizaje supervisado y no supervisado, preprocesamiento de datos, evaluación de modelos y trabajo con datos de texto. Es un recurso accesible que facilita la comprensión de conceptos complejos sin necesidad de conocimientos matemáticos avanzados.

Cargado por

Rotherick Calderon Molina
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 2

Resumen: Introduction to Machine Learning with Python

Este libro, escrito por Andreas C. Müller y Sarah Guido, ofrece una introducción práctica al
aprendizaje automático utilizando Python y la biblioteca scikit-learn. Está dirigido a
científicos de datos y desarrolladores que desean aplicar técnicas de machine learning en
problemas reales sin necesidad de conocimientos avanzados en matemáticas.

El texto está organizado en ocho capítulos:

1. Introducción: Explica qué es el aprendizaje automático, sus aplicaciones, diferencias entre


aprendizaje supervisado y no supervisado, y cómo Python y scikit-learn simplifican su
implementación.

2. Aprendizaje Supervisado: Detalla algoritmos como k-vecinos más cercanos, modelos


lineales, Naive Bayes, árboles de decisión, máquinas de vectores soporte (SVM) y redes
neuronales. Introduce conceptos clave como sobreajuste, subajuste y generalización.

3. Aprendizaje No Supervisado y Preprocesamiento: Trata sobre reducción de


dimensionalidad (PCA, NMF), aprendizaje de manifolds (t-SNE), y técnicas de clustering
como k-means, DBSCAN y agrupamiento jerárquico.

4. Representación de Datos e Ingeniería de Características: Expone cómo preparar y


transformar los datos para mejorar el rendimiento de los modelos mediante codificación,
binning, polinomios, transformaciones no lineales y selección de características.

5. Evaluación y Mejora de Modelos: Introduce la validación cruzada, búsqueda de


hiperparámetros con grid search, y métricas de evaluación para clasificación y regresión.

6. Cadenas de Algoritmos y Pipelines: Enseña cómo construir flujos de trabajo reutilizables


combinando preprocesamiento y modelos mediante pipelines, integrando búsqueda de
parámetros.

7. Trabajo con Datos de Texto: Presenta el análisis de sentimientos, bolsa de palabras, TF-
IDF, n-gramas, lematización y modelado de temas (LDA) aplicado a textos.

8. Conclusión: Describe cómo llevar un prototipo a producción, evaluación de sistemas,


estimadores personalizados y temas avanzados como redes neuronales, sistemas de
recomendación y escalado de datos.

El libro es práctico, orientado a resultados, con muchos ejemplos en código Python


ejecutables en Jupyter Notebook. Destaca por su claridad, enfoque aplicado y por facilitar la
comprensión de conceptos complejos sin requerir una formación matemática avanzada.

También podría gustarte