By Esposito, Dino; Esposito, Francesco
Descripción: Domine los conceptos del aprendizaje automático y desarrolle soluciones del mundo real.
El aprendizaje automático ofrece enormes oportunidades; y este libro,
Introducción al aprendizaje automático, proporciona conocimientos prácticos para aprovechar al máximo estas oportunidades. Dino y Francesco Esposito comienzan su texto con una breve descripción de los fundamentos de la inteligencia artificial y los pasos básicos para iniciar cualquier proyecto de este tipo. Luego, presentan la biblioteca ML.NET de Microsoft, que incluye capacidades para el procesamiento de datos, el entrenamiento y la evaluación. También presentan familias de algoritmos que pueden ser entrenados para resolver problemas de la vida real, así como técnicas de aprendizaje profundo utilizando redes neuronales. Los autores concluyen su texto presentando valiosos servicios de ejecución a través de la plataforma Azure, disponible en la nube, y consideran la visión empresarial a largo plazo para el aprendizaje automático.
Dino Esposito, MVP de Microsoft en 14 ocasiones, y Francesco Esposito te ayudan a:
• Explorar cómo aprenden los humanos y cómo se construye el software inteligente.
• Descubrir qué problemas puede abordar el aprendizaje automático.
• Comprender el flujo de trabajo del aprendizaje automático: los pasos que conducen a un modelo entregable.
• Utilizar AutoML para seleccionar automáticamente el mejor flujo de trabajo para cualquier problema y para cualquier conjunto de datos.
• Dominar ML.NET, implementar su flujo de trabajo y aplicar sus tareas y algoritmos.
• Explorar los fundamentos matemáticos del aprendizaje automático.
• Realizar predicciones, mejorar la toma de decisiones y aplicar métodos probabilísticos. • Agrupar datos mediante clasificación y agrupamiento (clustering).
• Aprender los fundamentos del aprendizaje profundo, incluido el diseño de redes neuronales.
• Aprovechar los servicios de IA en la nube con el fin de construir soluciones para el mundo real de manera más rápida y eficiente.
Contenido: PARTE I LAS BASES DEL APRENDIZAJE AUTOMÁTICO
CAPÍTULO 1 Cómo aprenden los humanos
CAPÍTULO 2 Software inteligente
CAPÍTULO 3 Problemas y algoritmos de mapeo
CAPÍTULO 4 Pasos generales para desarrollar una solución
de aprendizaje automático
CAPÍTULO 5 El factor datos
PARTE II APRENDIZAJE AUTOMÁTICO EN .NET
CAPÍTULO 6 Generalidades de .NET
CAPÍTULO 7 Implementación de AutoML en .NET
CAPÍTULO 8 ML.NET: Tareas y algoritmos
PARTE III FUNDAMENTOS DEL APRENDIZAJE SUPERFICIAL
CAPÍTULO 9 Fundamentos matemáticos del aprendizaje automático
CAPÍTULO 10 Métricas del aprendizaje automático
CAPÍTULO 11 Cómo realizar predicciones simples: Regresión lineal
CAPÍTULO 12 Cómo realizar predicciones y decisiones complejas:
Árboles de decisión
CAPÍTULO 13 Cómo tomar mejores decisiones: Métodos de conjunto
CAPÍTULO 14 Métodos probabilísticos: Naïve Bayes
CAPÍTULO 15 Cómo agrupar datos: Clasificación
y agrupamiento (clustering)
PARTE IV FUNDAMENTOS DEL APRENDIZAJE PROFUNDO
CAPÍTULO 16 Redes neuronales de retroalimentación
CAPÍTULO 17 Diseño de una red neuronal
CAPÍTULO 18 Otros tipos de redes neuronales
CAPÍTULO 19 Análisis de sentimiento: Una solución de extremo a extremo
Material: