Aprendizaje automático aplicado
¡Ponga en práctica la teoría del aprendizaje automático con esta guía práctica! Aprenda sobre la aplicación real de los modelos de aprendizaje automático siguiendo tres casos de uso, cada uno con su propio conjunto de datos. Empiece con herramientas como GitHub y Anaconda, y luego siga las instrucciones detalladas para preparar sus datos, seleccionar su modelo, evaluar sus resultados y medir su impacto a lo largo del tiempo. Con código de muestra para descargar, este libro tiene todo lo que necesita para implementar modelos de aprendizaje automático en su negocio.
- Tu introducción práctica al aprendizaje automático aplicado
- Seleccione e implemente modelos de aprendizaje automático para resolver problemas empresariales
- Evalúa los resultados de los modelos y supervisa tus modelos a largo plazo
Aprenderás sobre:
- Preparación de datos:
El primer paso es comprender sus datos. Conozca las diferentes fuentes de datos y, a continuación, explore sus datos mediante la visualización, las estadísticas descriptivas y el análisis de correlación. Limpie sus datos identificando errores, escribiendo código ficticio y mucho más.
- Selección de modelos:
¡Elija el modelo de aprendizaje automático que se adapte a sus necesidades! Siga un marco de decisión de modelos y domine los algoritmos clave: regresión, árboles de decisión, bosques aleatorios, refuerzo de gradientes y agrupamiento.
- Evaluación e iteración:
¡Evalúe y mejore la calidad de su modelo! Aplique una variedad de métricas de validación a su modelo y mejore la interpretabilidad para evitar el código de caja negra. A continuación, itere a través de la ingeniería de características y añada o elimine datos.
- Implementación y supervisión:
Su modelo está listo para funcionar, ¡ahora véalo en acción! Aprenda a implementar el modelo para realizar predicciones, supervisar su rendimiento y medir su impacto en su negocio.
Aspectos Destacados:
- Casos de uso del mundo real
- Exploración de datos
- Limpieza de datos
- Marco de decisión del modelo
- Algoritmos de regresión
- Árboles de decisión
- Agrupamiento
- Métricas de validación
- Iteración del modelo
- Interpretabilidad
- Implementación
- Monitoreo
Ver Tabla de Contenidos Completa
Applied Machine Learning
Put machine learning theory into practice with this hands-on guide! Learn about the real-world application of machine learning models by following three use cases, each with its own dataset. Get started with tools like GitHub and Anaconda, and then follow detailed instructions to prepare your data, select your model, evaluate its results, and measure its impact over time. With sample code for download, this book has everything you need to implement machine learning models for your business!
- Your practical introduction to applied machine learning
- Select and implement machine learning models to solve business problems
- Evaluate model results and monitor your models long term
You'll learn about:
- Data Preparation:
The first step is to understand your data. Learn about the different data sources, and then explore your data through visualization, descriptive statistics, and correlation analysis. Clean up your data by identifying errors, writing dummy code, and more.
- Model Selection:
Choose the machine learning model that suits your needs! Follow a model decision framework and master key algorithms: regression, decision trees, random forest, gradient boosting, and clustering.
- Evaluation and Iteration:
Assess and improve the quality of your model! Apply a variety of validation metrics to your model and enhance interpretability to avoid black box code. Then iterate through feature engineering and adding or removing data.
- Implementation and Monitoring:
Your model is ready to go—now see it in action! Learn how to implement the model to make predictions, monitor its performance, and measure its impact for your business.
Key Highlights:
- Real-world use cases
- Data exploration
- Data cleaning
- Model decision framework
- Regression algorithms
- Decision trees
- Clustering
- Validation metrics
- Model iteration
- Interpretability
- Implementation
- Monitoring
View Full Table of Contents
