Python Machine Learning. Vahid Mirjalili

Читать онлайн.
Название Python Machine Learning
Автор произведения Vahid Mirjalili
Жанр Математика
Серия
Издательство Математика
Год выпуска 0
isbn 9788426727725



Скачать книгу

       Desplegar la aplicación web en un servidor público

       Crear una cuenta de PythonAnywhere

       Cargar la aplicación del clasificador de películas

       Actualizar el clasificador de películas

       Resumen

      Capítulo 10: Predicción de variables de destino continuas con análisis de regresión

       Introducción a la regresión lineal

       Regresión lineal simple

       Regresión lineal múltiple

       Explorar el conjunto de datos Housing

       Cargar el conjunto Housing en un marco de datos

       Visualizar las características importantes de un conjunto de datos

       Observar las relaciones mediante una matriz de correlación

       Implementar un modelo de regresión lineal de mínimos cuadrados ordinarios

       Resolver la regresión para parámetros de regresión con el descenso del gradiente

       Estimar el coeficiente de un modelo de regresión con scikit-learn

       Ajustar un modelo de regresión robusto con RANSAC

       Evaluar el rendimiento de los modelos de regresión lineal

       Utilizar métodos regularizados para regresión

       Convertir un modelo de regresión lineal en una curva: la regresión polinomial

       Añadir términos polinomiales con scikit-learn

       Modelar relaciones no lineales en el conjunto de datos Housing

       Tratar con relaciones no lineales mediante bosques aleatorios

       Regresión de árbol de decisión

       Regresión con bosques aleatorios

       Resumen

      Capítulo 11: Trabajar con datos sin etiquetar: análisis de grupos

       Agrupar objetos por semejanza con k-means

       Agrupamiento k-means con scikit-learn

       Una manera más inteligente de colocar los centroides de los grupos iniciales con k-means++

       Agrupamiento pesado frente a no pesado

       Utilizar el método elbow para encontrar el número óptimo de grupos

       Cuantificar la calidad del agrupamiento mediante gráficos de silueta

       Organizar agrupamientos como un árbol jerárquico

       Agrupar los grupos de manera ascendente

       Realizar agrupamientos jerárquicos en una matriz de distancias

       Adjuntar dendrogramas a un mapa de calor

       Aplicar un agrupamiento aglomerativo con scikit-learn

       Ubicar regiones de alta densidad con DBSCAN

       Resumen

      Capítulo 12: Implementar una red neuronal artificial multicapa desde cero

       Modelar funciones complejas con redes neuronales artificiales

       Resumen de una red neuronal de una capa

       Activar una red neuronal mediante la propagación hacia delante

       Clasificar dígitos manuscritos

       Obtener el conjunto de datos MNIST

       Implementar un perceptrón multicapa

       Entrenar una red neuronal artificial

       Calcular la función de coste logística

       Desarrollar tu intuición para la propagación hacia atrás

       Entrenar redes neuronales mediante la propagación hacia atrás

       Sobre la convergencia en redes neuronales

       Unas últimas palabras sobre la implementación de redes neuronales

       Resumen

      Capítulo 13: Paralelización de entrenamiento de redes neuronales con TensorFlow

       TensorFlow y rendimiento de entrenamiento

       ¿Qué es TensorFlow?

       Cómo aprenderemos TensorFlow

       Primeros pasos con TensorFlow

       Trabajar con estructuras de matriz

       Desarrollar un modelo simple con la API de bajo nivel de TensorFlow

       Entrenar redes neuronales eficazmente con las API de alto nivel de TensorFlow

       Crear redes neuronales multicapa mediante la API Layers de TensorFlow

       Desarrollar una red neuronal multicapa con Keras

       Elegir funciones de activación para redes multicapa

       Resumen de la función logística

       Estimar probabilidades de clase en clasificaciones multiclase con softmax

       Ampliar el espectro de salida con una tangente hiperbólica

       Activación de la unidad lineal rectificada

       Resumen

      Capítulo 14: Ir más lejos: la mecánica de TensorFlow

       Características clave de TensorFlow

       Rango y tensores de TensorFlow

       Cómo obtener la dimensión y la forma de un tensor

       Entender los grafos computacionales de TensorFlow

       Marcadores de posición en TensorFlow

       Definir marcadores de posición

       Alimentar marcadores de posición con datos

       Definir marcadores de posición para matrices de datos con diferentes tamaños de lote

       Variables en TensorFlow

       Definir variables

       Inicializar variable

       Alcance de la variable

       Reutilizar variables

       Crear un modelo de regresión

       Ejecutar objetos en un grafo de TensorFlow mediante sus nombres

       Almacenar y restablecer un modelo en TensorFlow

       Transformar tensores como matrices de datos multidimensionales

       Utilizar la mecánica de control de flujopara crear grafos