Machine learning con Pytorch y Scikit-Learn : desarrollo de modelos machine learning y deep learning con Python /
Guardado en:
| Autor principal: | |
|---|---|
| Otros Autores: | , , |
| Formato: | Libro |
| Lenguaje: | Español |
| Publicado: |
Madrid :
Marcombo,
2023
|
| Edición: | 1a ed. esp. |
| Materias: | |
| Acceso en línea: | Código utilizado en el libro (último acceso: 10/8/2023) Archivo que compila los diagramas utilizados en el libro (último acceso: 10/8/2023) Recursos relacionados (último acceso: 10/8/2023) |
| Aporte de: | Registro referencial: Solicitar el recurso aquí |
| LEADER | 03142nam a2200385 a 4500 | ||
|---|---|---|---|
| 001 | 00013001 | ||
| 003 | AR-OvUNE | ||
| 005 | 20230810142432.0 | ||
| 006 | a||||| 001 0 | ||
| 007 | ta | ||
| 008 | 230810s2023 sp a|||f 001 0 spadd | ||
| 020 | |a 9788426735737 | ||
| 040 | |a AR-OvUNE |c AR-OvUNE | ||
| 080 | 0 | |a 004.85 |b R225m | |
| 100 | 1 | |a Raschka, Sebastian |9 31331 | |
| 245 | 1 | 0 | |a Machine learning con Pytorch y Scikit-Learn : |b desarrollo de modelos machine learning y deep learning con Python / |c Sebastian Raschka, Yuxi [Hayden] Liu, Vahid Mirjalili; traducción Francisco Martínez Carreño |
| 250 | |a 1a ed. esp. | ||
| 260 | 2 | |a Madrid : |b Marcombo, |c 2023 | |
| 300 | |a xxvii,771 p. : |b fig. byn. ; |c 24 cm. | ||
| 505 | |a 1. Dotar a los ordenadores de la capacidad de aprender de los datos -- 2. Entrenamiento de algoritmos sencillos de aprendizaje automático para tareas de clasificación -- 3. Un recorrido por los clasificadores de aprendizaje automático con Scikit-learn -- 4. Elaboración de conjuntos de datos de entrenamiento adecuados -- 5. Compresión de datos mediante la reducción de la dimensionalidad -- 6. Aprendizaje de las mejores prácticas para la evaluación de modelos y el ajuste de hiperparámetros -- 7. Combinación de diferentes modelos para el aprendizaje de conjunto -- 8. Aplicación del aprendizaje automático al análisis de opiniones -- 9. Pronóstico de variables objetivo continuas con análisis de regresión -- 10. El trabajo con datos no etiquetados: análisis de clustering -- 11. Implementación de una red neuronal artificial multicapa desde cero – 12. Paralelización de redes neuronales con PyTorch -- 13. Profundización: la mecánica de PyTorch -- 14. Clasificación de imágenes con redes neuronales convolucionales profundas -- 15. Modelado de datos secuenciales mediante redes neuronales recurrentes -- 16. Transformadores: mejora del procesamiento del lenguaje natural con mecanismos de atención -- 17. Redes generativas antagónicas con las que sintetizar nuevos datos -- 18. Redes neuronales de grafos para captar las dependencias en datos estructurados en grafos -- 19. Aprendizaje reforzado para la toma de decisiones en entornos complejos | ||
| 650 | 7 | |a Inteligencia artificial |9 12598 | |
| 650 | 7 | |a Aprendizaje automático |9 8495 | |
| 650 | 7 | |a REDES NEURONALES ARTIFICIALES |9 15259 | |
| 650 | 7 | |a Lenguajes de programación |x Python |9 12874 | |
| 653 | |a APRENDIZAJE PROFUNDO | ||
| 653 | |a REDES NEURONALES CONVOLUCIONALES PROFUNDAS | ||
| 653 | |a REDES NEURONALES RECURRENTES | ||
| 700 | 1 | |a Mirjalili, Vahid |9 31332 | |
| 700 | 1 | |a Liu, Yuxi |9 31496 |c (Data scientist) | |
| 700 | |a Martínez Carreño, Francisco |9 31497 |e tr. | ||
| 856 | |u https://github.com/rasbt/machine-learning-book |z Código utilizado en el libro (último acceso: 10/8/2023) | ||
| 856 | |u https://static.packt-cdn.com/downloads/9781801819312_ColorImages.pdf |z Archivo que compila los diagramas utilizados en el libro (último acceso: 10/8/2023) | ||
| 856 | |u https://sebastianraschka.com/resources/ |z Recursos relacionados (último acceso: 10/8/2023) | ||
| 942 | |c LIB |2 udc |h 004.85 |6 00485 | ||
| 999 | |c 13001 |d 13001 | ||