Normal view MARC view

Aprende machine learning con Scikit-Learn, Keras y TensorFlow : conceptos, herramientas y técnicas para conseguir sistemas inteligentes / Aurélien Géron [Texto impreso]

By: Géron, AurelienLanguage: spa Original language: English Series: (O'Reilly (Anaya Multimedia))Publisher: Madrid : Anaya Multimedia, 2020Edition: 2ª ed. actualizada para TensorFlow 2Description: 800 p. : il. ; 23 cmISBN: 9788441542648Subject(s): Aprendizaje automático | Inteligencia artificial -- InformáticaAbstract: 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
    Average rating: 0.0 (0 votes)
Item type Current location Collection Call number Status Date due Barcode Course reserves
Libro Libro Biblioteca Universidad Europea del Atlántico
Fondo General
No ficción 004.85 GER apr Available 3916

Inteligencia Artificial


Tít. original: Hands-on machine learning with Scikit-Learn and TensorFlow : concepts, tools, and techniques to build intelligent systems

PARTE I: Fundamentos del machine learning ;
1. El paisaje del machine learning ;
2. Proyectos de machine learning de principio a fin ;
3. Clasificación ;
4. Entrenar modelos ;
5. Máquinas de vectores soporte ;
6. Árboles de decisión ;
7. Ensamblaje y random forest ;
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 TenserFlow ;
13. Cargar y procesar datos con TEnsor Flow ;
14. Deep learning para visión por ordenador usando redes neuronales convolucionales ;
15. Procesar secuencias utilizando RNR y RNC ;
16. Procesamiento del lenguaje natural con RNR y atención ;
17. Aprendizaje de representación y aprendizaje generativo utilizando autocodificadores GAN ;
18. Aprendizaje por refuerzo ;
19. Entrenar y desplegar modelos de TensorFlow a escala ;
PARTE III. Apéndices ;
Apéndice A: Soluciones de los ejercicios ;
Apéndice B: Lista de comprobación de proyectos de machine learning ;
Apéndice C: Problema dual con SVM ;
Apéndice D: Diferenciación automática ;
Apéndice E: Otras arquitecturas de RNA populares ;
Apéndice F: Estructuras de datos especiales ;
Apéndice G: Grafos de TensorFlow

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

Servicio de Biblioteca de la Universidad Europea del Atlantico | biblioteca@uneatlantico.es | Tlf: 942 244 244 Ext. 5020