Python Machine Learning. Vahid Mirjalili

selección de características secuenciales

       Evaluar la importancia de las características con bosques aleatorios

       Resumen

      Capítulo 5: Comprimir datos mediante la reducción de dimensionalidad

       Reducción de dimensionalidad sin supervisión mediante el análisis de componentes principales

       Los pasos esenciales que se esconden detrás del análisis de componentes principales

       Extraer los componentes principales paso a paso

       Varianza total y explicada

       Transformación de características

       Análisis de componentes principales en scikit-learn

       Compresión de datos supervisada mediante análisis discriminante lineal

       Análisis de componentes principales frente a análisis discriminante lineal

       Cómo funciona interiormente el análisis discriminante lineal

       Calcular las matrices de dispersión

       Seleccionar discriminantes lineales para el nuevo subespacio de características

       Proyectar muestras en el nuevo espacio de características

       ADL con scikit-learn

       Utilizar el análisis de componentes principales con kernels para mapeos no lineales

       Funciones kernel y el truco del kernel

       Implementar un análisis de componentes principales con kernels en Python

       Ejemplo 1: separar formas de media luna

       Ejemplo 2: separar círculos concéntricos

       Proyectar nuevos puntos de datos

       Análisis de componentes principales con kernel en scikit-learn

       Resumen

      Capítulo 6: Aprender las buenas prácticas para la evaluación de modelos y el ajuste de hiperparámetros

       Simplificar flujos de trabajo con pipelines

       Combinar transformadores y estimadores en un pipeline

       Utilizar la validación cruzada de K iteraciones para evaluar el rendimiento de un modelo

       El método de retención

       Validación cruzada de k iteraciones

       Depurar algoritmos con curvas de validación y aprendizaje

       Diagnosticar problemas de sesgo y varianza con curvas de aprendizaje

       Resolver el sobreajuste y el subajuste con curvas de validación

       Ajustar los modelos de aprendizaje automático con la búsqueda de cuadrículas

       Ajustar hiperparámetros con la búsqueda de cuadrículas

       Selección de algoritmos con validación cruzada anidada

       Observar diferentes métricas de evaluación de rendimiento

       Leer una matriz de confusión

       Optimizar la exactitud y la exhaustividad de un modelo de clasificación

       Representar una característica operativa del receptor

       Métricas de calificación para clasificaciones multiclase

       Tratar con el desequilibrio de clases

       Resumen

      Capítulo 7: Combinar diferentes modelos para el aprendizaje conjunto

       Aprender con conjuntos

       Combinar clasificadores mediante el voto mayoritario

       Implementar un sencillo clasificador de voto mayoritario

       Utilizar el principio de voto mayoritario para hacer predicciones

       Evaluar y ajustar el clasificador conjunto

       Bagging: construir un conjunto de clasificadores a partir de muestras bootstrap

       El bagging resumido

       Aplicar el bagging para clasificar muestras en el conjunto de datos Wine

       Potenciar los clasificadores débiles con el boosting adaptado

       Cómo trabaja el boosting

       Aplicar AdaBoost con scikit-learn

       Resumen

      Capítulo 8: Aplicar el aprendizaje automático para el análisis de sentimiento

       Preparar los datos de críticas de cine de IMDb para el procesamiento de texto

       Obtener el conjunto de datos de críticas de cine

       Preprocesar el conjunto de datos de películas en un formato adecuado

       Introducir el modelo «bolsa de palabras»

       Transformar palabras en vectores de características

       Relevancia de las palabras mediante frecuencia de término–frecuencia inversa de documento

       Limpiar datos textuales

       Procesar documentos en componentes léxicos

       Entrenar un modelo de regresión logística para clasificación de documentos

       Trabajar con datos más grandes: algoritmos online y aprendizaje out-of-core

       Modelado de temas con Latent Dirichlet Allocation

       Descomponer documentos de textos con LDA

       LDA con scikit-learn

       Resumen

      Capítulo 9: Incrustar un modelo de aprendizaje automático en una aplicación web

       Serializar estimadores de scikit-learn ajustados

       Configurar una base de datos SQLite para el almacenamiento de datos

       Desarrollar una aplicación web con Flask

       Nuestra primera aplicación web con Flask

       Validación y renderizado de formularios

       Configurar la estructura del directorio

       Implementar una macro mediante el motor de plantillas Jinja2

       Añadir estilos con CSS

       Crear la página resultante

       Convertir el clasificador de críticas de cine en una aplicación web

       Archivos y carpetas: observar el árbol de directorios

       Implementar la aplicación principal como app.py

       Preparar el formulario de críticas