Download or read book Aprendizaje autom tico y profundo en python written by Carlos Pineda and published by Ediciones de la U. This book was released on 2022-10-04 with total page 256 pages. Available in PDF, EPUB and Kindle. Book excerpt: Es una herramienta de apoyo y de consulta para toda aquella persona interesada en dominar los fundamentos del aprendizaje automático y profundo, a tal punto que le permita aprender lo necesario para desarrollar sus propios modelos de aprendizaje aptos para realizar predicciones con base en los datos, para ello el autor hará uso en la mayoría de los casos de explicaciones teóricas y prácticas, que permitan al lector afianzar sus ideas y fortalecer su aprendizaje. El libro se encuentra dividido en dos partes la primera enfocada en el machine learning y sus diferentes algoritmos de regresión y clasificación, clustering, entre otros. La segunda parte comprende varias técnicas de deep learning donde estudiaremos diferentes arquitecturas de redes neuronales como: redes densamente conectadas, redes convolucionales y redes recurrentes.

Download or read book Aprendizaje autom tico y profundo en Python written by Carlos M. Pineda Pertuz and published by Ra-Ma Editorial. This book was released on 2022-04-11 with total page 347 pages. Available in PDF, EPUB and Kindle. Book excerpt: Esta obra pretende ser una herramienta de apoyo y de consulta para estudiantes y profesionales interesados en dominar los fundamentos del aprendizaje automático y profundo, y así poder desarrollar sus propios modelos de aprendizaje aptos para realizar predicciones con base en los datos, para ello el autor combina explicaciones teóricas con ejemplos prácticos. El libro se inicia con explicaciones sobre el lenguaje Python, para luego abarcar los algoritmos más destacados dentro del aprendizaje de máquina. El contenido se encuentra dividido en dos partes: la primera enfocada en el machine learning y sus diferentes algoritmos de regresión y clasificación, clustering, entre otros. La segunda parte comprende varias técnicas de deep learning donde estudiaremos diferentes arquitecturas de redes neuronales como: redes densamente conectadas, redes convolucionales y redes recurrentes. Desde la web del libro podrá descargar los ejemplos y ejercicios que se desarrollan en el libro lo que facilitara al lector a asimilar lo aprendido.

Download or read book Aprendizaje autom tico y profundo en python written by Carlos Pineda Pertuz and published by Ediciones de la U. This book was released on 2022-01-28 with total page 342 pages. Available in PDF, EPUB and Kindle. Book excerpt: Es una herramienta de apoyo y de consulta para toda aquella persona interesada en dominar los fundamentos del aprendizaje automático y profundo, a tal punto que le permita aprender lo necesario para desarrollar sus propios modelos de aprendizaje aptos para realizar predicciones con base en los datos, para ello el autor hará uso en la mayoría de los casos de explicaciones teóricas y prácticas, que permitan al lector afianzar sus ideas y fortalecer su aprendizaje. El libro se encuentra dividido en dos partes la primera enfocada en el machine learning y sus diferentes algoritmos de regresión y clasificación, clustering, entre otros. La segunda parte comprende varias técnicas de deep learning donde estudiaremos diferentes arquitecturas de redes neuronales como: redes densamente conectadas, redes convolucionales y redes recurrentes.

Download or read book Aprendizaje autom tico y profundo en Python written by Carlos M. Pineda Pertuz and published by . This book was released on 2022 with total page 341 pages. Available in PDF, EPUB and Kindle. Book excerpt:

Download or read book Machine Learning con PyTorch y Scikit Learn written by Sebastian Raschka and published by Marcombo. This book was released on 2023-02-27 with total page 902 pages. Available in PDF, EPUB and Kindle. Book excerpt: Si busca un manual de referencia sobre Machine Learning y Deep Learning con PyTorch, ha llegado al libro indicado. En él se explica paso a paso cómo construir sistemas de aprendizaje automático con éxito. Mientras que en algunos libros solo se enseña a seguir instrucciones, en este descubrirá los principios para crear modelos y aplicaciones por sí mismo. Encontrará multitud de explicaciones claras, visualizaciones y ejemplos, y aprenderá en profundidad todas las técnicas esenciales de Machine Learning. Actualizado para ocuparse de Machine Learning utilizando PyTorch, este libro también presenta las últimas incorporaciones a Scikit-Learn. Además, trata varias técnicas de Machine Learning y Deep Learning para la clasificación de textos e imágenes. Con este libro, también aprenderá sobre las redes generativas antagónicas (GAN), útiles para generar nuevos datos y entrenar agentes inteligentes con aprendizaje reforzado. Por último, esta edición incluye las últimas tendencias en Machine Learning, como las introducciones a las redes neuronales de grafos y transformadores a gran escala utilizados para el procesamiento del lenguaje natural (NLP). Sin duda, tanto si es un desarrollador de Python neófito en Machine Learning como si desea profundizar en los últimos avances, este libro de PyTorch será su gran aliado en el aprendizaje automático con Python. «Estoy seguro de que este libro le resultará muy valioso, tanto por ofrecer una visión general del apasionante campo de Machine Learning, como por ser un tesoro de conocimientos prácticos. Espero que le inspire a aplicar Machine Learning para lograr un mayor beneficio, sea cual sea su problemática» Gracias a esta lectura: •Explorará marcos de trabajo, modelos y técnicas para que las máquinas «aprendan» de los datos •Empleará Scikit-Learn para Machine Learning y PyTorch para Deep Learning •Entrenará clasificadores de Machine Learning en imágenes, texto, etc. •Creará y entrenará redes neuronales, transformadores y redes neuronales gráficas •Descubrirá las mejores prácticas para evaluar y ajustar los modelos •Pronosticará los resultados de elementos continuos utilizando el análisis de regresión •Profundizará en los datos textuales y de las redes sociales mediante el análisis de sentimiento

Download or read book Aprendizaje Profundo written by Sebastian Dark and published by Independently Published. This book was released on 2018-11-25 with total page 122 pages. Available in PDF, EPUB and Kindle. Book excerpt: ¿Sientes curiosidad por descubrir la tecnología revolucionaria que está configurando nuestro futuro y cambiando el mundo actual? El aprendizaje profundo es una parte del campo de la informática y un subconjunto del aprendizaje automático que implica que los sistemas informáticos puedan "aprender" sin supervisión con datos que no están etiquetados ni estructurados. En 2017, AlphaGo, que es una IA desarrollada por Google DeepMind y comenzó solo conociendo las reglas del juego, finalmente pudo entrenarse a sí mismo y vencer a Ke Jie, el jugador número 1 del mundo en ese momento. Si bien esto puede no parecer tan impresionante al principio, es importante comprender que Go es un juego muy complejo que muchos programadores no pudieron superar con la IA en el pasado. Aunque Go es un ejemplo interesante, las posibilidades de utilizar el aprendizaje automático son ilimitadas. Desde el comercio minorista a la medicina y a las finanzas, el aprendizaje automático tiene la capacidad de cambiar cada industria con la que entra en contacto. De hecho, esta revolución ya ha comenzado y solo seguirá creciendo. Según statista.com, la industria de la inteligencia artificial crecerá exponencialmente en los próximos años, ¡de $ 7 mil millones en 2018 a $ 90 mil millones en 2025! Esto no es algo que puedas permitirte perder. Sin lugar a dudas es el futuro. Sin embargo, es tan complejo como revolucionario. Si no tiene antecedentes o experiencia en el campo, es fácil que se atasque con todos los conceptos y términos complicados. Además, encontrar información que sea fácil de entender puede resultar un desafío porque lo más probable es que no sea exhaustiva, incluso si la encuentra. En este libro, encontrará el equilibrio perfecto entre la información, que es muy complete, y la capacidad de entenderla. Aunque está diseñado para principiantes, no contendrá información simple y de fácil acceso. Se le sumergirá profundamente en el campo, pero será conducido cuidadosamente a través de él de manera que todo sea fácil de entender, incluso si no tiene conocimientos técnicos en programación de computadoras. En esta Guía, descubrirá... Qué Es El Aprendizaje Automático Y El Aprendizaje Profundo Y Cómo Pueden Ser Utilizados Para Cambiar El Mundo. Cómo El Campo Puede Ser Dividido Y Aprendido De Una Manera Manejable Varias Aplicaciones Y Potencial De Aprendizaje Profundo Que Puede Utilizar, Que Puede Que Nunca Haya Imaginado Aprendizaje Supervisado Versus Aprendizaje No Supervisado - Y Analizarlos Paso A Paso Analizar Las Redes Neuronales De Una Manera Extremadamente Fácil De Entender Cómo Puede Crear Y Capacitar Modelos De Aprendizaje Profundo Dónde Y Cómo Instalar Los Mejores Programas Para Que Pueda Comenzar Hoy Códigos De Muestra Y Conjuntos De Datos Para Practicar ¡Y mucho más! Ya sé si está buscando obtener conocimientos para una carrera potencial en aprendizaje profundo, o aprender cómo esto afectará nuestro futuro, o simplemente satisfacer su curiosidad sobre el posible avance tecnológico más grande de nuestro tiempo, este libro lo ayudará enormemente a comprender el aprendizaje profundo. Si finalmente está preparado para comprender esta tecnología revolucionaria a un alto nivel a pesar de su experiencia técnica, Haga Clic en "Agregar al Carrito" ¡Ahora! ** ¡Obtenga la versión eBook de Kindle GRATIS cuando compre la versión impresa de este libro! **

Download or read book Deep Learning written by Ian Goodfellow and published by MIT Press. This book was released on 2016-11-10 with total page 801 pages. Available in PDF, EPUB and Kindle. Book excerpt: An introduction to a broad range of topics in deep learning, covering mathematical and conceptual background, deep learning techniques used in industry, and research perspectives. “Written by three experts in the field, Deep Learning is the only comprehensive book on the subject.” —Elon Musk, cochair of OpenAI; cofounder and CEO of Tesla and SpaceX Deep learning is a form of machine learning that enables computers to learn from experience and understand the world in terms of a hierarchy of concepts. Because the computer gathers knowledge from experience, there is no need for a human computer operator to formally specify all the knowledge that the computer needs. The hierarchy of concepts allows the computer to learn complicated concepts by building them out of simpler ones; a graph of these hierarchies would be many layers deep. This book introduces a broad range of topics in deep learning. The text offers mathematical and conceptual background, covering relevant concepts in linear algebra, probability theory and information theory, numerical computation, and machine learning. It describes deep learning techniques used by practitioners in industry, including deep feedforward networks, regularization, optimization algorithms, convolutional networks, sequence modeling, and practical methodology; and it surveys such applications as natural language processing, speech recognition, computer vision, online recommendation systems, bioinformatics, and videogames. Finally, the book offers research perspectives, covering such theoretical topics as linear factor models, autoencoders, representation learning, structured probabilistic models, Monte Carlo methods, the partition function, approximate inference, and deep generative models. Deep Learning can be used by undergraduate or graduate students planning careers in either industry or research, and by software engineers who want to begin using deep learning in their products or platforms. A website offers supplementary material for both readers and instructors.

Download or read book Sistemas de Aprendizaje Autom tico written by Emilio Soria Olivas and published by Ra-Ma Editorial. This book was released on 2023-05-30 with total page 183 pages. Available in PDF, EPUB and Kindle. Book excerpt: El presente libro tiene una clara vocación didáctica, se dirige a todas las personas que quieren adentrarse en el apasionante campo del aprendizaje automático combinando la teórica con la práctica para que sea sencillo asimilar las explicaciones. En esta obra se revisan los algoritmos más comunes y su implementación en Python. Comienza con una introducción a las claves que han impulsado nuestra sociedad hacia “la era de los datos” y explora cómo, mediante técnicas de aprendizaje automático, obtener partido a la inmensa cantidad de datos que hoy nos rodea. A continuación, se presenta el aprendizaje no supervisado con sus principales algoritmos y usos: agrupamiento, manifolds, reglas de asociación y algoritmos de detección de anomalías. Le sigue el aprendizaje supervisado; partiendo del modelo más simple, modelo lineal multivariante, se llega a las Máquinas de Soporte Vectorial (SVM). Finalmente, finaliza con el aprendizaje profundo (gran parte de lo que denominamos Inteligencia Artificial) donde se explican, de una manera sencilla e intuitiva, los perceptrones multicapa profundos, las redes convolucionales profundas (CNN) y los modelos recurrentes Long Short Term Memory (LSTM). Esta obra contiene numerosas aplicaciones prácticas con su código Python que podrá descargar desde la web del libro. ¿Te lo vas a perder? El libro contiene material adicional que podrá descargar accediendo a la ficha del libro en www.ra-ma.es. Los contenidos adaptados al Curso de Especialización en Inteligencia Artificial y Big Data.

Download or read book Sistemas de aprendizaje autom tico written by Varios autores and published by Ediciones de la U. This book was released on 2023-07-27 with total page 262 pages. Available in PDF, EPUB and Kindle. Book excerpt: El presente libro tiene una clara vocación didáctica, se dirige a todas las personas que quieren adentrarse en el apasionante campo del aprendizaje automático combinando la teórica con la práctica para que sea sencillo asimilar las explicaciones. En esta obra se revisan los algoritmos más comunes y su implementación en Python. Comienza con una introducción a las claves que han impulsado nuestra sociedad hacia "la era de los datos" y explora cómo, mediante técnicas de aprendizaje automático, obtener partido a la inmensa cantidad de datos que hoy nos rodea. A continuación, se presenta el aprendizaje no supervisado con sus principales algoritmos y usos: agrupamiento, manifolds, reglas de asociación y algoritmos de detección de anomalías. Le sigue el aprendizaje supervisado; partiendo del modelo más simple, modelo lineal multivariante, se llega a las Máquinas de Soporte Vectorial (SVM). Finalmente, analiza con el aprendizaje profundo (gran parte de lo que denominamos Inteligencia Artificial) donde se explican, de una manera sencilla e intuitiva, los perceptrones multicapa profundos, las redes convolucionales profundas (CNN) y los modelos recurrentes. Esta obra contiene numerosas aplicaciones prácticas con su código Python que podrá descargar desde la web del libro.

Download or read book Digitalization as a challenge for justice and administration written by Markus Ludwigs and published by BoD – Books on Demand. This book was released on 2023-06-09 with total page 170 pages. Available in PDF, EPUB and Kindle. Book excerpt: This volume documents the presentations of a multilingual online conference on "Digitalization as a challenge for justice and administration" held in March 2022. The contributions of the international team of authors provide insights into central issues of this highly relevant subject from African, Japanese, U.S., Swiss, Latin American and German perspectives. The result is a multifaceted picture of digitalization in the context of public, private and even criminal law. Este volumen documenta las presentaciones de una conferencia multilingüe en línea sobre "La digitalización como reto para la justicia y la administración" celebrada en marzo de 2022. Las contribuciones del equipo internacional de autores ofrecen una visión de las cuestiones centrales de este tema de gran actualidad desde las perspectivas africana, japonesa, estadounidense, suiza, latinoamericana y alemana. El resultado es una imagen multifacética de la digitalización en el contexto del derecho público, privado y penal. Der vorliegende Tagungsband dokumentiert die Vorträge einer im März 2022 durchgeführten multilingualen Online-Konferenz zur "Digitalisierung als Herausforderung für Justiz und Verwaltung". Die Beiträge des internationalen Autorenteams vermitteln Einblicke in zentrale Fragestellungen der hochaktuellen Thematik aus afrikanischer, japanischer, US-amerikanischer, schweizerischer, lateinamerikanischer und deutscher Perspektive. Dabei ergibt sich ein facettenreiches Bild zur Digitalisierung im öffentlich-rechtlichen, privatrechtlichen und auch strafrechtlichen Kontext.

Download or read book Programaci n de inteligencia artificial written by Carlos Ramírez and published by Ediciones de la U. This book was released on 2023-07-28 with total page 325 pages. Available in PDF, EPUB and Kindle. Book excerpt: La inteligencia artificial se centra en la creación de sistemas capaces de ejecutar tareas que requieran algún tipo de inteligencia humana. Entrar en este campo sin conocimientos previos puede parecer muy complejo, pero con esta obra estamos convencidos que cualquier lector puede lograrlo sin demasiado esfuerzo. El objetivo de este libro es hacer que la IA sea accesible y fácil de entender para personas con poca o ninguna experiencia en programación. De forma progresiva los lectores obtendrán el conocimiento que necesitan sobre cómo crear sistemas capaces de ejecutar tareas que requieren alguna forma de inteligencia similar a la humana, siempre acompañado de ejercicios prácticos para facilitar el aprendizaje. A través de ejemplos se comienza introduciendo al lector en la programación con Python, así como los conceptos claves en inteligencia artificial y se avanza de forma gradual hacia temas más complejos como el aprendizaje profundo y el aprendizaje automático, acompañando siempre la parte teórica con ejemplos prácticos que facilitarán la asimilación. Para finalizar, se abordan conceptos básicos de inteligencia artificial, como la clasificación y la regresión para continuar con implementaciones de inteligencia artificial, lo que permitirá a los lectores generar sus propios algoritmos de inteligencia artificial para el aprendizaje por refuerzo, los chatbots, la detección de rostros y reconocimiento facial, el procesamiento del habla y el lenguaje natural y el análisis de datos.

Download or read book Programaci n de Inteligencia Artificial Curso Pr ctico written by Carlos Mario Ramírez Gil and published by Ra-Ma Editorial. This book was released on 2023-05-26 with total page 237 pages. Available in PDF, EPUB and Kindle. Book excerpt: La inteligencia artificial se centra en la creación de sistemas capaces de ejecutar tareas que requieran algún tipo de inteligencia humana. Entrar en este campo sin conocimientos previos puede parecer muy complejo, pero con esta obra estamos convencidos que cualquier lector puede lograrlo sin demasiado esfuerzo. El objetivo de este libro es hacer que la IA sea accesible y fácil de entender para personas con poca o ninguna experiencia en programación. De forma progresiva los lectores obtendrán el conocimiento que necesitan sobre cómo crear sistemas capaces de ejecutar tareas que requieren alguna forma de inteligencia similar a la humana, siempre acompañado de ejercicios prácticos para facilitar el aprendizaje. A través de ejemplos se comienza introduciendo al lector en la programación con Python, así como los conceptos claves en inteligencia artificial y se avanza de forma gradual hacia temas más complejos como el aprendizaje profundo y el aprendizaje automático, acompañando siempre la parte teórica con ejemplos prácticos que facilitarán la asimilación. Para finalizar, se abordan conceptos básicos de inteligencia artificial, como la clasificación y la regresión para continuar con implementaciones de inteligencia artificial, lo que permitirá a los lectores generar sus propios algoritmos de inteligencia artificial para el aprendizaje por refuerzo, los chatbots, la detección de rostros y reconocimiento facial, el procesamiento del habla y el lenguaje natural y el análisis de datos. Los contenidos están adaptados al Curso de Especialización de Ciberseguridad en Entornos de las Tecnologías de la Información. El libro contiene material adicional que podrá descargar accediendo a la ficha del libro en www.ra-ma.es

Download or read book MACHINE LEARNING WITH PYTHON written by Abhishek Vijayvargia and published by BPB Publications. This book was released on 2018-06-02 with total page 266 pages. Available in PDF, EPUB and Kindle. Book excerpt: DescriptionThis book provides the concept of machine learning with mathematical explanation and programming examples. Every chapter starts with fundamentals of the technique and working example on the real-world dataset. Along with the advice on applying algorithms, each technique is provided with advantages and disadvantages on the data.In this book we provide code examples in python. Python is the most suitable and worldwide accepted language for this. First, it is free and open source. It contains very good support from open community. It contains a lot of library, so you don't need to code everything. Also, it is scalable for large amount of data and suitable for big data technologies.This book:Covers all major areas in Machine Learning.Topics are discussed with graphical explanations.Comparison of different Machine Learning methods to solve any problem.Methods to handle real-world noisy data before applying any Machine Learning algorithm.Python code example for each concept discussed.Jupyter notebook scripts are provided with dataset used to test and try the algorithms ContentsIntroduction to Machine Learning Understanding Python Feature Engineering Data VisualisationBasic and Advanced Regression techniquesClassification Un Supervised LearningText AnalysisNeural Network and Deep Learning Recommendation System Time Series Analysis

Download or read book PYTHON CON CIENCIA DE DATOS Por M Meenachi Sundaram written by MEENACHISUNDARAM.M and published by MEENACHI SUNDARAM. This book was released on 2024-09-05 with total page 277 pages. Available in PDF, EPUB and Kindle. Book excerpt: PYTHON CON CIENCIA DE DATOS Por M. Meenachi Sundaram TABLA DE CONTENIDO PYTHON CON CIENCIA DE DATOS.. 13 CAPÍTULO 1: CONCEPTOS ESTADÍSTICOS.. 13 1. Población y muestra. 13 2. Distribución normal 14 3. Medidas de tendencia central 16 4. Varianza y desviación estándar 16 5. Covarianza y correlación. 17 6. Teorema del límite central 19 7. Valor p. 20 8. Valor esperado de variables aleatorias. 22 9. Probabilidad condicional 24 10. Teorema de Bayes. 25 5 CONCEPTOS ESTADÍSTICOS IMPORTANTES PARA CADA CIENTÍFICO DE DATOS 26 1. Estadísticas descriptivas. 26 2. Distribuciones de probabilidad. 28 3. Reducción de la dimensionalidad. 30 4. Submuestreo y sobremuestreo. 32 5. Estadísticas bayesianas. 34 MÓDULO DE ESTADÍSTICAS DE PYTHON.. 35 Métodos estadísticos. 35 CAPÍTULO 2: PROBABILIDAD.. 36 Python, números aleatorios y probabilidad. 36 Números aleatorios con Python. 37 Números aleatorios que satisfacen la condición de suma a uno. 41 Generación de cadenas o contraseñas aleatorias con Python. 42 Números enteros aleatorios. 43 Elecciones aleatorias con Python. 47 Muestras aleatorias con Python. 50 Números verdaderamente aleatorios. 52 Opciones aleatorias ponderadas. 55 CAPÍTULO 3: DESVIACIÓN ESTÁNDAR.. 62 Método statistical.stdev() de Python. 62 Definición y uso. 62 Sintaxis. 62 Valores de los parámetros. 63 Parámetro. 63 Descripción. 63 Datos. 63 Obligatorio. Los valores de datos que se utilizarán (pueden ser cualquier secuencia, lista o iterador) 63 Barra X.. 63 Opcional. La media de los datos proporcionados. Si se omite (o se establece en Ninguno), la media se calcula automáticamente. 63 Detalles técnicos. 63 Valor de retorno: 63 CAPÍTULO 4: SESGO Y VARIANZA.. 64 ¿Qué son el sesgo y la varianza?. 64 Sesgo y varianza usando Python. 64 CAPÍTULO 5: MÉTRICAS DE DISTANCIA.. 68 Comprensión de las métricas de distancia utilizadas en el aprendizaje automático. 68 Estudiaremos: 68 ¿Qué son las métricas de distancia?. 68 Tipos de métricas de distancia en el aprendizaje automático. 69 Distancia euclidiana. 71 Fórmula para la distancia euclidiana. 72 Distancia de Manhattan. 74 Fórmula para la distancia de Manhattan. 74 Distancia de Minkowski 76 Fórmula para la distancia de Minkowski 76 Distancia de Hamming. 78 Conclusión. 80 Agujas. 80 CAPÍTULO 6: ANÁLISIS DE VALORES ATRÍPICOS.. 82 La detección de valores atípicos es el proceso de identificar puntos de datos que tienen valores extremos en comparación con el resto de la distribución. Conozca tres métodos de detección de valores atípicos en Python. 82 ¿Qué es la detección de valores atípicos?. 82 Beneficios de la detección de valores atípicos. 82 Métodos para la detección de valores atípicos en Python. 83 Prerrequisito para la detección de valores atípicos: lectura de datos. 84 Uso de diagramas de caja para la detección de valores atípicos. 84 Uso de bosques de aislamiento para la detección de valores atípicos. 88 Uso de OneClassSVM para la detección de valores atípicos. 90 Dominando la detección de valores atípicos. 90 Parte aislada. 91 ¿Qué son los valores atípicos?. 92 ¿Cuándo son peligrosos los valores atípicos?. 93 ¿Qué estadísticas se ven afectadas por los valores atípicos?. 97 ¿Cuándo eliminar o mantener los valores atípicos?. 98 Tabla de contenido. 100 ¿Cómo tratar los valores atípicos?. 100 Guarnición. 100 Tapado. 100 Discretización. 102 Para distribuciones normales. 102 Para distribuciones sesgadas. 102 Para otras distribuciones. 102 Cómo detectar y eliminar esquemas en Python. 103 Tratamiento de la puntuación Z.. 103 Filtrado basado en IQR.. 106 Método de percentiles. 109 Conclusión. 113 Preguntas frecuentes. 114 CAPÍTULO 7: TRATAMIENTOS DE VALORES FALTANTES.. 116 Cómo manejar los datos faltantes. 116 ¿Por qué completar los datos faltantes?. 116 ¿Cómo saber si los datos tienen valores faltantes?. 118 Diferentes métodos para tratar los datos faltantes. 120 1. Eliminar la columna con datos faltantes. 121 2. Eliminar la fila con datos faltantes. 123 3. Completar los valores faltantes – Imputación. 125 4. Otros métodos de imputación. 128 5. Imputación con una columna adicional 129 6. Relleno con un modelo de regresión. 131 Conclusión. 135 Preguntas frecuentes. 135 Pandas: Reemplazar valores NaN por cero en una columna. 136 1. Ejemplo de sustitución de NaN por cero. 136 2. Reemplace los valores NaN por cero en el DataFrame de pandas. 138 3. Reemplace los valores NaN por cero en una o varias columnas. 138 4. Reemplace los valores NaN por ceros usando replace() 139 5. Uso de DataFrame.replace() en todas las columnas. 140 6. Ejemplo completo para reemplazar valores NaN por ceros en una columna. 141 CAPÍTULO 8: CORRELACIÓN.. 143 NumPy, SciPy y pandas: correlación con Python. 143 Correlación. 143 Ejemplo: Cálculo de correlación de NumPy. 147 Ejemplo: Cálculo de correlación de SciPy. 149 Ejemplo: Cálculo de correlación de pandas. 151 Esta página y la siguiente son sólo de referencia. 153 Correlación lineal 153 Coeficiente de correlación de Pearson. 153 Regresión lineal: implementación de SciPy. 155 Correlación de Pearson: implementación de NumPy y SciPy. 159 Correlación de Pearson: implementación de pandas. 162 Correlación de rangos. 167 Rango: Implementación de SciPy. 169 Correlación de rangos: implementación de NumPy y SciPy. 170 Correlación de rangos: implementación de pandas. 173 Visualización de la correlación. 175 Gráficos XY con una línea de regresión. 176 Mapas de calor de matrices de correlación. 178 Conclusión. 180 CAPÍTULO 9: MÉTRICAS DE ERROR (MEDIDAS DE ERROR) 181 Error cuadrático medio. 181 Error absoluto medio. 181 Error porcentual absoluto medio. 181 Medición de errores de regresión con Python. 182 Medición de errores de regresión. 182 Seis métricas de error para medir errores de regresión. 184 Error absoluto medio (EMA) 184 Error porcentual absoluto medio (MAPE) 185 Error cuadrático medio (MSE) 186 Error absoluto medio (MedAE) 186 Error cuadrático medio (RMSE) 187 Error porcentual absoluto medio (MdAPE) 187 Implementación de métricas de error de regresión en Python: predicción de series temporales 188 Paso n.° 1: Generar datos de series temporales sintéticas. 189 CAPÍTULO 10: REGRESIÓN.. 196 Regresión lineal 197 Regresión logística. 197 Regresión polinómica. 198 Regresión de cresta. 198 Regresión de lazo. 200 Aplicaciones de regresión. 200 Diferencia entre regresión y clasificación en minería de datos. 200 Regresión. 202 CAPÍTULO 11: APRENDIZAJE AUTOMÁTICO.. 203 Aprendizaje automático, aprendizaje profundo y redes neuronales. 203 Métodos de aprendizaje automático. 205 Aprendizaje automático supervisado. 206 Aprendizaje automático no supervisado. 206 Aprendizaje semisupervisado. 208 Algoritmos comunes de aprendizaje automático. 208 Casos de uso de aprendizaje automático en el mundo real 209 Estructura de datos para el aprendizaje automático. 210 ¿Qué es la estructura de datos?. 211 Tipos de estructura de datos. 211 1. Estructura de datos lineal: 212 2. Estructuras de datos no lineales. 215 Estructura de datos de matriz dinámica: 218 ¿Cómo se utiliza la estructura de datos en el aprendizaje automático?. 218 Conclusión. 219 APRENDIZAJE SUPERVISADO.. 220 Aprendizaje automático supervisado. 220 ¿Cómo funciona el aprendizaje supervisado?. 220 Pasos involucrados en el aprendizaje supervisado: 222 Tipos de algoritmos de aprendizaje automático supervisados: 222 1. Regresión. 223 2. Clasificación. 223 Ventajas del aprendizaje supervisado: 225 Desventajas del aprendizaje supervisado: 225 Regresión lineal 225 ¿Cómo funciona?. 226 R de Relación. 235 Predecir valores futuros. 236 ¿Mal ajuste?. 237 Regresión logística. 241 ¿Cómo funciona?. 242 Probabilidad. 244 Función explicada. 244 Resultados explicados. 247 Cómo guardar un modelo de aprendizaje automático. 247 Dos formas de guardar un modelo desde scikit-learn: 248 APRENDIZAJE NO SUPERVISADO.. 255 Aprendizaje automático no supervisado. 255 ¿Por qué utilizar el aprendizaje no supervisado?. 256 Funcionamiento del aprendizaje no supervisado. 256 Tipos de algoritmos de aprendizaje no supervisado: 257 Algoritmos de aprendizaje no supervisado: 258 Ventajas del aprendizaje no supervisado. 259 Desventajas del aprendizaje no supervisado. 259 Aprendizaje supervisado vs. no supervisado. 260 Preparación de datos para el aprendizaje no supervisado. 261 Agrupamiento. 263 Agrupamiento jerárquico. 266 Diferencia entre K-Means y agrupamiento jerárquico. 270 Agrupamiento de t-SNE.. 270 Agrupamiento DBSCAN.. 272 OTROS ALGORITMOS DE APRENDIZAJE AUTOMÁTICO (ML) 275 ACERCA DEL AUTOR.. 276

Download or read book Applied Predictive Modeling written by Max Kuhn and published by Springer Science & Business Media. This book was released on 2013-05-17 with total page 595 pages. Available in PDF, EPUB and Kindle. Book excerpt: Applied Predictive Modeling covers the overall predictive modeling process, beginning with the crucial steps of data preprocessing, data splitting and foundations of model tuning. The text then provides intuitive explanations of numerous common and modern regression and classification techniques, always with an emphasis on illustrating and solving real data problems. The text illustrates all parts of the modeling process through many hands-on, real-life examples, and every chapter contains extensive R code for each step of the process. This multi-purpose text can be used as an introduction to predictive models and the overall modeling process, a practitioner’s reference handbook, or as a text for advanced undergraduate or graduate level predictive modeling courses. To that end, each chapter contains problem sets to help solidify the covered concepts and uses data available in the book’s R package. This text is intended for a broad audience as both an introduction to predictive models as well as a guide to applying them. Non-mathematical readers will appreciate the intuitive explanations of the techniques while an emphasis on problem-solving with real data across a wide variety of applications will aid practitioners who wish to extend their expertise. Readers should have knowledge of basic statistical ideas, such as correlation and linear regression analysis. While the text is biased against complex equations, a mathematical background is needed for advanced topics.

Download or read book Deep Learning for Coders with fastai and PyTorch written by Jeremy Howard and published by O'Reilly Media. This book was released on 2020-06-29 with total page 624 pages. Available in PDF, EPUB and Kindle. Book excerpt: Deep learning is often viewed as the exclusive domain of math PhDs and big tech companies. But as this hands-on guide demonstrates, programmers comfortable with Python can achieve impressive results in deep learning with little math background, small amounts of data, and minimal code. How? With fastai, the first library to provide a consistent interface to the most frequently used deep learning applications. Authors Jeremy Howard and Sylvain Gugger, the creators of fastai, show you how to train a model on a wide range of tasks using fastai and PyTorch. You’ll also dive progressively further into deep learning theory to gain a complete understanding of the algorithms behind the scenes. Train models in computer vision, natural language processing, tabular data, and collaborative filtering Learn the latest deep learning techniques that matter most in practice Improve accuracy, speed, and reliability by understanding how deep learning models work Discover how to turn your models into web applications Implement deep learning algorithms from scratch Consider the ethical implications of your work Gain insight from the foreword by PyTorch cofounder, Soumith Chintala

Download or read book Image Analysis Classification and Change Detection in Remote Sensing written by Morton J. Canty and published by CRC Press. This book was released on 2014-06-06 with total page 575 pages. Available in PDF, EPUB and Kindle. Book excerpt: Image Analysis, Classification and Change Detection in Remote Sensing: With Algorithms for ENVI/IDL and Python, Third Edition introduces techniques used in the processing of remote sensing digital imagery. It emphasizes the development and implementation of statistically motivated, data-driven techniques. The author achieves this by tightly interweaving theory, algorithms, and computer codes. See What’s New in the Third Edition: Inclusion of extensive code in Python, with a cloud computing example New material on synthetic aperture radar (SAR) data analysis New illustrations in all chapters Extended theoretical development The material is self-contained and illustrated with many programming examples in IDL. The illustrations and applications in the text can be plugged in to the ENVI system in a completely transparent fashion and used immediately both for study and for processing of real imagery. The inclusion of Python-coded versions of the main image analysis algorithms discussed make it accessible to students and teachers without expensive ENVI/IDL licenses. Furthermore, Python platforms can take advantage of new cloud services that essentially provide unlimited computational power. The book covers both multispectral and polarimetric radar image analysis techniques in a way that makes both the differences and parallels clear and emphasizes the importance of choosing appropriate statistical methods. Each chapter concludes with exercises, some of which are small programming projects, intended to illustrate or justify the foregoing development, making this self-contained text ideal for self-study or classroom use.