Ebook gratuitoAprendizaje automático y aprendizaje profundo con Python

Introducción al aprendizaje automático

Fundamentos de Python para la ciencia de datos

Configurar el entorno de desarrollo

Manipulación de datos con Pandas

Análisis exploratorio de datos con Matplotlib y Seaborn

Análisis exploratorio de datos con Matplotlib y Seaborn: importación de bibliotecas (Matplotlib y Seaborn)

Análisis exploratorio de datos con Matplotlib y Seaborn: carga e inspección de datos iniciales

Análisis exploratorio de datos con Matplotlib y Seaborn: limpieza y preparación de datos

Análisis Exploratorio de Datos con Matplotlib y Seaborn: Análisis univariado (distribución de una sola variable)

Análisis exploratorio de datos con Matplotlib y Seaborn: Análisis bivariado (relaciones entre dos variables)

Análisis exploratorio de datos con Matplotlib y Seaborn: visualización de datos categóricos

Análisis exploratorio de datos con Matplotlib y Seaborn: visualización de datos continuos

Análisis exploratorio de datos con Matplotlib y Seaborn: uso de histogramas, diagramas de caja y diagramas de dispersión

Análisis exploratorio de datos con Matplotlib y Seaborn: creación de gráficos de líneas para series temporales

Análisis exploratorio de datos con Matplotlib y Seaborn: personalización de gráficos (colores, títulos, etiquetas)

Análisis exploratorio de datos con Matplotlib y Seaborn: correlación y análisis de mapas de calor

Análisis exploratorio de datos con Matplotlib y Seaborn: uso de diagramas de pares para visualizar relaciones en múltiples dimensiones

Análisis exploratorio de datos con Matplotlib y Seaborn: guarde visualizaciones en archivos (PNG, JPG, etc.)

Análisis exploratorio de datos con Matplotlib y Seaborn: interpretación y conclusiones a partir de visualizaciones

Conceptos estadísticos básicos para el aprendizaje automático

Principios del aprendizaje supervisado

Principios del aprendizaje supervisado: definición de aprendizaje supervisado

Principios de aprendizaje supervisado: conjuntos de datos: capacitación y pruebas

Principios de aprendizaje supervisado: algoritmos de clasificación

Principios de aprendizaje supervisado: algoritmos de regresión

Principios de aprendizaje supervisado: métricas de evaluación del desempeño

Principios de aprendizaje supervisado: validación cruzada

Principios del aprendizaje supervisado: sobreajuste y desajuste

Principios del aprendizaje supervisado: regularización

Principios de aprendizaje supervisado: selección de modelos

Principios de aprendizaje supervisado: optimización de hiperparámetros

Principios de aprendizaje supervisado: ingeniería de funciones

Principios del aprendizaje supervisado: equilibrio de clases

Principios del aprendizaje supervisado: interpretabilidad del modelo

Principios del aprendizaje supervisado: aplicaciones prácticas

Modelos de regresión lineal SIMPLE y múltiple

Métricas de evaluación y validación cruzada

Modelos de clasificación: árboles de decisión y K-NN

Evaluación de modelos de clasificación

Aprendizaje conjunto: embolsado, impulso y bosque aleatorio

Optimización de hiperparámetros

Reducción de dimensionalidad y análisis de componentes principales (PCA)

Algoritmos de agrupación: K-Means y agrupación jerárquica

Introducción al aprendizaje profundo y las redes neuronales artificiales

Conceptos neuronales y funciones de activación.

Retropropagación y entrenamiento de redes neuronales.

Retropropagación y entrenamiento de redes neuronales: ¿Qué es la retropropagación?

Retropropagación y entrenamiento de redes neuronales: cálculo de gradiente

Retropropagación y entrenamiento de redes neuronales: cadena de reglas de derivación

Entrenamiento de retropropagación y redes neuronales: actualización de pesos con descenso de gradiente

Retropropagación y entrenamiento de redes neuronales: funciones de activación

Retropropagación y entrenamiento de redes neuronales: tasa de aprendizaje

Retropropagación y entrenamiento de redes neuronales: impulso y otros métodos de optimización

Propagación hacia atrás y entrenamiento de redes neuronales: problemas de gradiente que desaparecen y explotan

Retropropagación y entrenamiento de redes neuronales: inicialización de pesos

Retropropagación y entrenamiento de redes neuronales: regularización (L1, L2, abandono)

Retropropagación y entrenamiento de redes neuronales: normalización por lotes

Entrenamiento de retropropagación y redes neuronales: entrenamiento de redes neuronales profundas

Propagación hacia atrás y entrenamiento de redes neuronales: sobreajuste y desajuste

Retropropagación y entrenamiento de redes neuronales: validación cruzada

Retropropagación y entrenamiento de redes neuronales: técnicas de aumento de datos

Retropropagación y entrenamiento de redes neuronales: transferencia de aprendizaje

Retropropagación y entrenamiento de redes neuronales: redes neuronales recurrentes (RNN) y retropropagación a través del tiempo (BPTT)

Retropropagación y entrenamiento de redes neuronales: memoria a corto plazo (LSTM) y unidad recurrente cerrada (GRU)

Retropropagación y entrenamiento de redes neuronales: marcos de aprendizaje profundo (TensorFlow, PyTorch, Keras)

Optimizadores y estrategias de regularización

Construyendo redes neuronales con Keras y TensorFlow

Construcción de redes neuronales con Keras y TensorFlow: Introducción a TensorFlow y Keras

Construcción de redes neuronales con Keras y TensorFlow: instalación y configuración del entorno

Construcción de redes neuronales con Keras y TensorFlow: fundamentos de las redes neuronales artificiales

Construyendo redes neuronales con Keras y TensorFlow: construyendo modelos secuenciales en Keras

Construyendo redes neuronales con Keras y TensorFlow: trabajando con capas densas, convolucionales y recurrentes

Construyendo redes neuronales con Keras y TensorFlow: aplicando técnicas de regularización y normalización

Construcción de redes neuronales con Keras y TensorFlow: uso de funciones de activación e inicializadores de peso

Construcción de redes neuronales con Keras y TensorFlow: compilación y entrenamiento de modelos de aprendizaje profundo

Construcción de redes neuronales con Keras y TensorFlow: evaluación y optimización del rendimiento del modelo

Construcción de redes neuronales con Keras y TensorFlow: uso de devoluciones de llamada y guardado de modelos

Construcción de redes neuronales con Keras y TensorFlow: ajuste y transferencia de aprendizaje

Construcción de redes neuronales con Keras y TensorFlow: implementación de redes neuronales para tareas de clasificación y regresión

Construcción de redes neuronales con Keras y TensorFlow: aplicaciones en procesamiento del lenguaje natural y visión por computadora

Creación de redes neuronales con Keras y TensorFlow: integración de TensorFlow con el ecosistema de datos de Python

Modelos de aprendizaje profundo para visión por computadora

Redes neuronales convolucionales (CNN)

Transferir aprendizaje y perfeccionar

Transferencia de aprendizaje y ajuste: definición de transferencia de aprendizaje

Transferencia de aprendizaje y ajuste: beneficios del aprendizaje por transferencia

Transferir aprendizaje y ajuste: escenarios de aplicación

Transferir aprendizaje y ajuste: redes neuronales previamente entrenadas

Transferir aprendizaje y ajuste: extracción de funciones

Transferir aprendizaje y ajuste: ajuste de capas

Transferir aprendizaje y ajuste: congelación de capas

Transferir aprendizaje y ajuste: adaptar modelos a nuevos dominios

Transferir aprendizaje y ajuste: conjuntos de datos y aumento de datos

Transferir aprendizaje y ajuste: optimizadores y tasas de aprendizaje

Transferir aprendizaje y ajuste: regularización y evitar el sobreajuste

Transferir aprendizaje y ajuste: marcos de aprendizaje profundo (TensorFlow, Keras, PyTorch)

Transferir aprendizaje y ajuste: evaluación de modelos y validación cruzada

Transferir aprendizaje y ajuste: transferir aprendizaje en visión por computadora

Transferir aprendizaje y ajuste: Transferir aprendizaje en el procesamiento del lenguaje natural (PNL)

Transferencia de aprendizaje y ajuste: desafíos y limitaciones del aprendizaje por transferencia