Machine Learning con PyTorch y Scikit-Learn : desarrollo de modelos Machine Learning y Deep Learning con Python /
Contiene: 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 e...
محفوظ في:
| المؤلف الرئيسي: | |
|---|---|
| مؤلفون آخرون: | , , |
| التنسيق: | كتاب |
| اللغة: | الإسبانية |
| منشور في: |
México :
Marcombo,
2024, c2023
|
| الموضوعات: | |
| الوسوم: |
لا توجد وسوم, كن أول من يضع وسما على هذه التسجيلة!
|
MARC
| LEADER | 00000nam^a2200000^a^4500 | ||
|---|---|---|---|
| 001 | 000624900 | ||
| 005 | 20251128000000.0 | ||
| 009 | 20260310134005.161 | ||
| 020 | |a 978-84-267-3573-7 | ||
| 037 | |a Acervo ITESO - Biblioteca | ||
| 041 | |a ESP | ||
| 082 | |a 006. 31 |b RAS | ||
| 100 | |a Raschka, Sebastian |e (autor) | ||
| 245 | 1 | 0 | |a Machine Learning con PyTorch y Scikit-Learn : |b desarrollo de modelos Machine Learning y Deep Learning con Python / |c S. Raschka, Y.H. Liu, V. Mirjalili ; pról. de D. Dzhulgakov ; tr. por Francisco Martínez Carreno. |
| 264 | 4 | |a México : |b Marcombo, |c 2024, c2023 | |
| 300 | |a XXVII, 77 p. | ||
| 336 | |a texto |b txt |2 rdacontenido | ||
| 337 | |a sin mediación |b n |2 rdamedio | ||
| 338 | |a volumen |b nc |2 rdasoporte | ||
| 500 | |a Traducción de: Machine Learning with PyTorch and Scikit-Learn | ||
| 520 | |a Contiene: 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: preprocesamiento; 5) Compresión de datos mediante la reducción de la dimensioalidad; 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) Modelo 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. | ||
| 521 | |a Librerías 2025 Gonvill | ||
| 649 | |a XX | ||
| 650 | |a Reconocimiento de Patrones | ||
| 650 | |a Redes Neurales | ||
| 650 | |a Minería de Datos | ||
| 650 | |a Aprendizaje Automático (Inteligencia Artificial) - |x Tema Principal | ||
| 650 | |a Inteligencia Artificial | ||
| 650 | |a Algoritmos Computacionales | ||
| 650 | |a Proceso de Datos | ||
| 650 | |a Análisis de Datos | ||
| 650 | |a Lenguajes de Programación - |x Tema Principal | ||
| 650 | |a Paquetes (Software) | ||
| 650 | |a Programación (Software) | ||
| 650 | |a Desarrollo de Sistemas | ||
| 650 | |a Sistemas Computacionales | ||
| 650 | |a Ingeniería Computacional | ||
| 700 | |a Liu, Yuxi Hayden |e (autor) | ||
| 700 | |a Mirjalili, Vahid |e (autor) | ||
| 700 | |a Dzhulgakov, Dmytro |e (prólogo) | ||
| 910 | |a Fondo General | ||
| 920 | |a Impresos - Libros | ||
| 930 | |a Colección General | ||
| 905 | |a 101 | ||
| 901 | |a 625321-10 |b IT1 |c ACC |i C191084 |u 20251128 | ||
| 902 | |a https://opac.biblio.iteso.mx/vufind/Record/000624900 | ||