Machine Learning Guía Paso a Paso Para Implementar Algoritmos De Machine Learning Con Python Rudolph Russell © Copyright 2018 Rudolph Russell – Todos los derechos reservados. Si te gustaría compartir este libro con otra persona, por favor compra una copia adicional por cada recipiente. Gracias por respetar el arduo trabajo de este autor. De otra forma, la transmisión, duplicación o reproducción alguna del siguiente trabajo incluyendo información específica será considerada un acto ilegal indiferentemente si es hecho electrónicamente o por impresión. Esto se extiende a crear una copia secundaria o terciaria, o una copia grabada y sola es permitida con un consenso escrito por parte del editor. Todos los derechos adicionales son reservados. Tabla de Contenido CAPITULO 1 INDTODUCCIÓN AL MACHINE LEARNING Teoría ¿Qué es Machine Learning? ¿Por qué Machine Learning? ¿Cuándo debemos usar Machine Learning? Tipos de Sistemas de Machine Learning Machine Learning Supervisado y Sin Supervisión Machine Learning Supervisado Los Algoritmos Supervisados Mas Importantes Machine Learning No Supervisado Los Más Importantes Algoritmos del Machine Learning No Supervisado Machine Learning de Refuerzo Machine Learning por Lote Machine Learning En-Línea Machine Learning por Ejemplos Machine Learning por Modelo Insuficiente Cantidad o Malos Datos de Capacitación EJERCISIOS RESUMEN CAPITULO 2 CLASIFICACIÓN Instalación El MNIST Matriz de Confusión Compensación de Exhaustividad (Recall) ROC Clasificación de Clase Múltiple Capacitando un Clasificador de Bosque Aleatorio Análisis de Error Clasificaciones de Etiquetas Múltiples Clasificación de Salidas Múltiples EJERCISIOS RESUMEN CAPITULO 3 COMO CAPACITAR UN MODELO Regresión Lineal Complejidad Computacional Descenso Gradiente Descenso Gradiente por Lote Descenso Gradiente Estocástico Mini Descenso Gradiente por Lote Regresión Polinomial Curvas de Machine Learning Modelos Lineales Regularizados Regresión Contraída Regresión Lasso EJERCISIOS RESUMEN CAPITULO 4 COMBINACIONES DE DIFERENTES MODELOS Clasificadores Arbóreos Implementando un Clasificador por Mayoría Simple Combinando diferentes algoritmos para la clasificación con mayoría de votos Clasificador Preguntas CAPITULO 1 INDTODUCCIÓN AL MACHINE LEARNING Teoría Si pregunto acerca del “Machine Learning” probablemente imaginarás un robot o algo como el Exterminador. En realidad, el Machine Learning no solo está involucrado en la robótica, pero además en muchas otras aplicaciones. También puedes imaginar algo como filtros de spam al ser una de las primeras aplicaciones en Machine Learning el cual ayuda a mejorar la vida de millones de personas. En este capítulo, te presentaré lo que es el Machine Learning, y como funciona. ¿Qué es Machine Learning? El Machine Learning es la práctica de programación de computadoras para aprender de los datos. En el ejemplo de arriba, el programa fácilmente podrá determinar si lo dado es importante o si es “spam” (correo electrónico no deseado). En el Machine Learning, los datos son conocidos como conjuntos de capacitación o ejemplos. ¿Por qué Machine Learning? Asumamos que quisieras escribir el programa filtro sin usar métodos de Machine Learning. En este caso, tendrás que seguir los siguientes pasos: Al principio, echarías un vistazo a lo cómo se ven los correos electrónicos no deseados. Podrías seleccionarlos por las palabras o frases que usan, como “tarjeta de debido”, “gratis”, y muchas más, y además de patrones que son usados en los nombres de los remitentes o en el cuerpo del correo. .Segundo, escribirías un algoritmo para detectar los patrones que hayas visto, y luego el software indicaría los correo electrónicos como “no deseado” si un numero de esos patrones es encontrado. Finalmente, probarías el programa, y reharías los primeros dos pasos hasta que los resultados sean suficientemente buenos. Porque el programa no es software, contienen una lista muy larga de reglas que son difíciles de mantener. Pero si desarrollas el mismo software usando AA (Machine Learning), podrás mantenerlo adecuadamente.