Documentos de Académico
Documentos de Profesional
Documentos de Cultura
APRENDIZAJE DE MÁQUINA
Guía paso a paso para implementar
algoritmos de aprendizaje automático con
python, Scikit-learn, TensorFlow y Keras
ALAN LÓPEZ
INTRODUCCIÓN
AL
APRENDIZAJE DE MÁQUINA
Conceptos,
Herramientas y Técnicas
PREFACIO 1
ACERCA DE ESTE LIBRO 2
SECCIÓN I: DATOS Y PROBLEMAS 5
5
I. DATOS Y BASES DE DATOS
técnicos
Esta obra tiene tres objetivos principales: primero, introducirte a las herra-
mientas que te permitirán extraer y analizar datos para proponer proyectos
que puedas resolver mediante el aprendizaje máquina; segundo, presentarte
los algoritmos básicos del aprendizaje máquina y el aprendizaje profundo, y
mostrarte cómo puedes utilizarlos para abordar problemas reales; y tercero,
enseñarte cómo planificar y organizar el desarrollo de un proyecto de apren-
dizaje máquina, y cómo integrarlo en tu portafolio de proyectos para ayudar-
te a conseguir empleo en este emocionante campo laboral.
Por último, la tercera sección aborda cómo aplicar estas técnicas a proble-
mas reales y cómo hacer uso de herramientas como los microservicios de
Python para incorporar las soluciones a estos problemas en aplicaciones
reales. Esta sección ayudará al lector a enriquecer su portafolio de proyectos
y a construir su camino hacia una carrera en el campo del aprendizaje
máquina.
Loss Function
Estimar los parámetros correctos para una línea recta que pase por a y
b.
SOLUCIÓN
Estimar los parámetros correctos para una línea recta que pase por a y
b.
Al final de cada capítulo, se incluirá una sección de repaso que pretende con-
centrar la información más importante de cada tema a manera de resumen y
destacar los aspectos más relevantes a considerar en relación a cada capítulo.
Dicha sección estará indicada por un encabezado como el siguiente:
Repaso
APRENDIZAJE 2
MÁQUINA
COCHES AUTÓNOMOS
By Joyce Wright
Photographs by Mark Halberg
E
l aprendizaje profundo es un subcampo del aprendizaje de máquina, y como tal,
busca encontrar patrones en los datos para describir comportamientos y
distribuciones ocultas e imposibles de describir con total exactitud con el objetivo de
poder hacer predicciones con un grado de exactitud importante. Esto último para generar
valor de los datos, por lo general automatizando decisiones de negocio.
El aprendizaje de máquina clásico hace uso de métodos para lo anterior, como los árboles
de decisión, las máquinas de soporte vectorial, e incluso las redes neuronales arificial.
El aprendizaje profundo busca lo mismo, pero exclusivamente con arquitecturas de redes
neuronales profundas. A medida que la recopilación de datos se hace más fácil, y que el
poder de cómputo más potente, las soluciones basadas en redes neuronales profundas van
tomando protagonismo.