IFCD093PO: Machine learning aplicado usando Python

El objetivo de este libro es que el lector pueda desarrollar, implementar y validar modelos de aprendizaje máquina (Machine Learning): diseñar modelos predictivos de clasificación en problemas reales de salud, economía y empresa, implementar algoritmos de segmentación para análisis de poblaciones en diferentes aplicaciones y desarrollar modelos de predicción avanzados de series temporales.

AUTORES
INTRODUCCIÓN AL LIBRO
CAPÍTULO 1. INTRODUCCIÓN
1.1 CONCEPTOS BÁSICOS
1.1.1 Ciencia de datos
1.1.2 Inteligencia artificial
1.1.3 Big data
1.1.4 Minería de datos
1.1.5 Algoritmos y modelos
1.1.6 Parámetros e hiperparámetros
1.1.7 Aprendizaje máquina o automático
1.1.8 Aprendizaje profundo
1.1.9 Infraestructura y aplicaciones. Servicios en la nube
1.2 ANÁLISIS DE DATOS. ETAPAS
1.2.1 Datos
1.2.2 Preprocesado
1.2.3 Análisis exploratorio de datos (EDA)
1.2.4 Modelado
1.2.5 Análisis de los errores
1.2.6 Puesta en producción
1.2.7 Metodología CRISP-DM
1.3 ALGORITMOS DE APRENDIZAJE MÁQUINA
1.3.1 Aprendizaje supervisado
1.3.2 Aprendizaje no supervisado
1.3.3 Aprendizaje autosupervisado
1.3.4 Aprendizaje reforzado
1.3.5 Aprendizaje semisupervisado
1.4 PASADO, PRESENTE Y FUTURO
CAPÍTULO 2. APRENDIZAJE NO SUPERVISADO
2.1 INTRODUCCIÓN
2.2 CLUSTERING
2.2.1 Algoritmos basados en prototipos
2.2.2 Algoritmos jerárquicos
2.2.3 Algoritmos basados en densidad. DBSCAN
2.2.4 Evaluación de la calidad del agrupamiento
2.3 REDUCCIÓN DE LA DIMENSIONALIDAD
2.3.1 Análisis de componentes principales (PCA)
2.3.2 t-SNE
2.3.3 Mapas autoorganizados
2.3.4 Autoencoders
2.4 REGLAS DE ASOCIACIÓN
2.5 ESTIMACIÓN DE DENSIDADES DE PROBABILIDAD
2.6 DETECCIÓN DE ANOMALÍAS
2.6.1 Introducción.
2.6.2 Algoritmos de detección de anomalías no supervisados
2.7 LABORATORIO
2.7.1 Algoritmos de clustering
2.7.2 Manifolds
2.7.3 Reglas de asociación
2.7.4 Algoritmos de estimación de probabilidad
2.7.5 Detección de anomalías
CAPÍTULO 3. MACHINE LEARNING: APRENDIZAJE SUPERVISADO
3.1 DEFINICIÓN
3.1.1 Ejemplo de problema de clasificación
3.2 PRINCIPALES RETOS
3.2.1 Cantidad insuficiente de datos
3.2.2 Datos no representativos
3.2.3 Sobreajuste
3.3 FUNCIÓN DE COSTE
3.4 MEDIDAS DE RENDIMIENTO
3.4.1 Medidas para problemas de regresión
3.4.2 Medidas de rendimiento para problemas de clasificación
3.5 MODELOS BASICOS
3.5.1 Regresión Lineal
3.5.2 Regresión Polinómica
3.5.3 Modelos lineales regularizados
3.5.4 Regresión Logística
3.5.5 SVM
3.5.6 Árboles de decisión
3.6 COMBINACIÓN DE MODELOS
3.6.1 Random forest
3.7 LABORATORIO
3.7.1 Regresión lineal
3.7.2 Regresión Polinómica
3.7.3 Modelos lineales regularizados
3.7.4 Clasificación
3.7.5 Búsqueda de hiperparámetros con cross validation
3.7.6 Conjuntos desbalanceados.
CAPÍTULO 4. APRENDIZAJE PROFUNDO
4.1 INTRODUCCIÓN
4.2 REDES NEURONALES DENSAS (DNNS)
4.2.1 Modelo de neurona
4.2.2 Arquitectura de una red densa
4.2.3 Configuración de una capa densa
4.2.4 Entrenamiento de una red neuronal
4.2.5 Aspectos prácticos a tener en cuenta
4.3 REDES CONVOLUCIONALES PROFUNDAS (CNNS)
4.3.1 Arquitectura de una CNN
4.3.2 Entrenamiento de una CNN: aspectos avanzados
4.3.3 Otras aplicaciones de las CNNs
4.4 REDES RECURRENTES PROFUNDAS (DRNNS)
4.4.1 Introducción a las redes recurrentes
4.4.2 Arquitecturas básicas
4.4.3 Funcionamiento de una capa recurrente
4.4.4 Predicción de series temporales
4.4.5 Clasificación de texto
4.4.6 Laboratorio
REFERENCIAS
SITIOS WEB RECOMENDADOS