Python Machine Learning. Vahid Mirjalili

Ampliar tu experiencia en TensorBoard

       Resumen

      Capítulo 15: Clasificar imágenes con redes neuronales convolucionales profundas

       Bloques de construcción de redes neuronales convolucionales

       Entender las CNN y conocer las jerarquías de características

       Realizar convoluciones discretas

       Realizar una convolución discreta en una dimensión

       El efecto del relleno de ceros en una convolución

       Determinar el tamaño de la salida de convolución

       Realizar un convolución discreta en 2D

       Submuestreo

       Juntarlo todo para crear una CNN

       Trabajar con entradas múltiples o canales de color

       Regularizar una red neuronal con la eliminación

       Implementar una red neuronal convolucional profunda con TensorFlow

       La arquitectura de una CNN multicapa

       Cargar y preprocesar los datos

       Implementar una CNN en la API de TensorFlow de bajo nivel

       Implementar una CNN en la API Layers de TensorFlow

       Resumen

      Capítulo 16: Modelado de datos secuenciales mediante redes neuronales recurrentes

       Introducir datos secuenciales

       Modelar datos secuenciales: el orden sí importa

       Representar secuencias

       Las diferentes categorías del modelado de secuencias

       RNN para modelar secuencias

       Entender la estructura y el flujo de una RNN

       Calcular activaciones en una RNN

       Los retos del aprendizaje de interacciones de largo alcance

       Unidades de LSTM

       Implementar una RNN multicapa para modelar secuencias en TensorFlow

       Proyecto uno: crear un análisis de sentimiento de las críticas de películas IMDb con RNN multicapa

       Preparar los datos

       Embedding

       Construir un modelo de RNN

       El constructor de la clase SentimentRNN

       El método build

       Paso 1: definir celdas RNN multicapa

       Paso 2: definir los estados iniciales para las celdas RNN

       Paso 3: crear la RNN utilizando las celdas RNN y sus estados

       El método train

       El método predict

       Instanciar la clase SentimentRNN

       Entrenar y optimizar el análisis de sentimiento de un modelo RNN

       Proyecto dos: implementar una RNN para el modelado de lenguaje a nivel de carácter en TensorFlow

       Preparar los datos

       Construir un modelo RNN a nivel de carácter

       El constructor

       El método build

       El método train

       El método sample

       Crear y entrenar el modelo CharRNN

       El modelo CharRNN en el modo de muestreo

       Resumen del capítulo y del libro

       ÍNDICE ANALÍTICO

      Dar a los ordenadores el poder de aprender de los datos

      En mi opinión, el aprendizaje automático –la aplicación y ciencia de los algoritmos que da sentido a los datos– es el campo más apasionante de todas las ciencias computacionales. Vivimos en una época en la cual los datos llegan en abundancia; utilizando algoritmos de autoaprendizaje del campo del aprendizaje automático podemos convertir estos datos en conocimiento. Gracias a las múltiples y potentes librerías de código abierto que han sido desarrolladas en los últimos años, probablemente no ha habido un momento mejor para acceder al campo del aprendizaje automático y aprender cómo utilizar potentes algoritmos para detectar patrones de datos y hacer predicciones sobre acontecimientos futuros.

      En este capítulo, aprenderás los principales conceptos y los diferentes tipos de aprendizaje automático. Junto con una introducción básica a la terminología más importante, sentaremos las bases para utilizar con éxito técnicas de aprendizaje automático para la resolución práctica de problemas.

      En este capítulo, trataremos los siguientes temas:

      •Los conceptos generales del aprendizaje automático.

      •Los tres tipos de aprendizaje y la terminología básica.

      •La construcción de bloques para diseñar sistemas de aprendizaje automático.

      •La instalación y configuración de Python para el análisis de datos y el aprendizaje automático.

Crear máquinas inteligentes para transformar datos en conocimiento

      En esta época de tecnología moderna, existe un recurso que tenemos en abundancia: gran cantidad de datos estructurados y no estructurados. En la segunda mitad del siglo veinte, el aprendizaje automático evolucionó como un subcampo de la Inteligencia Artificial (AI) que involucraba algoritmos de autoaprendizaje que derivaban el conocimiento a partir de datos para crear predicciones. En lugar de necesitar al hombre para derivar de forma manual las reglas y crear modelos a partir del análisis de grandes cantidades de datos, el aprendizaje automático ofrece una alternativa más eficiente para capturar el conocimiento en datos, mejorar gradualmente el rendimiento de los modelos predictivos y tomar decisiones basadas en esos datos. El aprendizaje automático no solo es cada vez más importante en la investigación de ciencia computacional, sino que juega un papel cada vez más importante en nuestra vida diaria. Gracias al aprendizaje automático, disfrutamos de filtros potentes para el correo no deseado, software práctico de reconocimiento de voz y texto, motores de búsqueda fiables, desafiantes programas para jugar al ajedrez y, esperemos que muy pronto, eficientes coches de conducción autónoma.

Los tres tipos de aprendizaje automático

      En esta sección, echaremos un vistazo a los tres tipos de aprendizaje automático: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje reforzado. Vamos a aprender las diferencias fundamentales entre los tres tipos distintos de aprendizaje y, mediante ejemplos conceptuales, desarrollaremos una intuición para los ámbitos de problemas prácticos donde pueden ser aplicados:

Hacer predicciones sobre el futuro con el aprendizaje supervisado

      El