{"product_id":"ensemble-methods-for-machine-learning-9781617297137","title":"Métodos de conjunto para el aprendizaje automático","description":"\u003cb\u003eEl aprendizaje automático de conjunto combina el poder de múltiples enfoques de aprendizaje automático, trabajando juntos para ofrecer modelos de alto rendimiento y gran precisión.\u003c\/b\u003e \u003cp\u003e\u003c\/p\u003eDentro de \u003ci\u003eEnsemble Methods for Machine Learning\u003c\/i\u003e encontrarás: \u003cp\u003e\u003c\/p\u003e \u003cul\u003e \u003cli\u003eMétodos para clasificación, regresión y recomendaciones\u003c\/li\u003e \u003cli\u003eImplementaciones sofisticadas de conjuntos listas para usar\u003c\/li\u003e \u003cli\u003eBosques aleatorios, boosting y gradient boosting\u003c\/li\u003e \u003cli\u003eIngeniería de características y diversidad de conjuntos\u003c\/li\u003e \u003cli\u003eInterpretabilidad y explicabilidad para métodos de conjunto\u003c\/li\u003e \u003c\/ul\u003e \u003cbr\u003eEl aprendizaje automático de conjunto entrena un grupo diverso de modelos de aprendizaje automático para trabajar juntos, agregando su resultado para ofrecer resultados más ricos que un solo modelo. Ahora, en \u003ci\u003eEnsemble Methods for Machine Learning\u003c\/i\u003e descubrirás métodos de conjunto centrales que han demostrado su valía tanto en concursos de ciencia de datos como en aplicaciones del mundo real. Los estudios de caso prácticos te mostrarán cómo funciona cada algoritmo en producción. Cuando termines, conocerás los beneficios, las limitaciones y los métodos prácticos para aplicar el aprendizaje automático de conjunto a datos del mundo real, y estarás listo para construir sistemas de ML más explicables. \u003cp\u003e\u003c\/p\u003e La compra del libro impreso incluye un libro electrónico gratuito en formato PDF, Kindle y ePub de Manning Publications. \u003cp\u003e\u003c\/p\u003e \u003cb\u003eSobre la Tecnología\u003c\/b\u003e \u003cp\u003e\u003c\/p\u003e Compara, contrasta y combina automáticamente la salida de múltiples modelos para obtener los mejores resultados de tus datos. El aprendizaje automático de conjunto aplica un método de \"sabiduría de las multitudes\" que evita las imprecisiones y limitaciones de un solo modelo. Al basar las respuestas en múltiples perspectivas, este enfoque innovador puede ofrecer predicciones robustas incluso sin conjuntos de datos masivos. \u003cp\u003e\u003c\/p\u003e \u003cb\u003eSobre el Libro\u003c\/b\u003e \u003cp\u003e\u003c\/p\u003e \u003ci\u003eEnsemble Methods for Machine Learning\u003c\/i\u003e te enseña técnicas prácticas para aplicar múltiples enfoques de ML simultáneamente. Cada capítulo contiene un estudio de caso único que demuestra un método de conjunto completamente funcional, con ejemplos que incluyen diagnóstico médico, análisis de sentimientos, clasificación de escritura a mano y más. No hay matemáticas ni teoría complejas: aprenderás de manera visual, con abundante código para facilitar la experimentación. \u003cp\u003e\u003c\/p\u003e \u003cb\u003eContenido\u003c\/b\u003e \u003cp\u003e\u003c\/p\u003e \u003cul\u003e \u003cli\u003eBagging, boosting y gradient boosting\u003c\/li\u003e \u003cli\u003eMétodos para clasificación, regresión y recuperación\u003c\/li\u003e \u003cli\u003eInterpretabilidad y explicabilidad para métodos de conjunto\u003c\/li\u003e \u003cli\u003eIngeniería de características y diversidad de conjuntos\u003c\/li\u003e \u003c\/ul\u003e \u003cbr\u003e\u003cb\u003eSobre el Lector\u003c\/b\u003e \u003cp\u003e\u003c\/p\u003e Para programadores de Python con experiencia en aprendizaje automático. \u003cp\u003e\u003c\/p\u003e \u003cb\u003eSobre el Autor\u003c\/b\u003e \u003cp\u003e\u003c\/p\u003e Gautam Kunapuli tiene más de 15 años de experiencia en el mundo académico y la industria del aprendizaje automático. \u003cp\u003e\u003c\/p\u003e \u003cb\u003eTabla de Contenidos\u003c\/b\u003e \u003cp\u003e\u003c\/p\u003e\u003cb\u003ePARTE 1 - LOS FUNDAMENTOS DE LOS CONJUNTOS\u003c\/b\u003e\u003cbr\u003e 1 Métodos de conjunto: ¿Bombo o aleluya?\u003cbr\u003e \u003cb\u003ePARTE 2 - MÉTODOS DE CONJUNTO ESENCIALES\u003c\/b\u003e\u003cbr\u003e 2 Conjuntos paralelos homogéneos: Bagging y bosques aleatorios\u003cbr\u003e 3 Conjuntos paralelos heterogéneos: Combinando aprendices fuertes\u003cbr\u003e 4 Conjuntos secuenciales: Adaptive boosting\u003cbr\u003e 5 Conjuntos secuenciales: Gradient boosting\u003cbr\u003e 6 Conjuntos secuenciales: Newton boosting\u003cbr\u003e \u003cb\u003ePARTE 3 - CONJUNTOS EN LA PRÁCTICA: ADAPTANDO LOS MÉTODOS DE CONJUNTO A TUS DATOS\u003c\/b\u003e\u003cbr\u003e 7 Aprendizaje con etiquetas continuas y de conteo\u003cbr\u003e 8 Aprendizaje con características categóricas\u003cbr\u003e 9 Explicando tus conjuntos\u003cbr\u003e\u003cbr\u003e\u003cb\u003eAutor:\u003c\/b\u003e \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=AUTH-6605367\"\u003eGautam Kunapuli\u003c\/a\u003e\u003cbr\u003e\u003cb\u003eEditorial:\u003c\/b\u003e Manning Publications\u003cbr\u003e\u003cb\u003ePublicado:\u003c\/b\u003e 09\/06\/2023\u003cbr\u003e\u003cb\u003ePáginas:\u003c\/b\u003e 350\u003cbr\u003e\u003cb\u003eTipo de encuadernación:\u003c\/b\u003e Tapa blanda\u003cbr\u003e\u003cb\u003ePeso:\u003c\/b\u003e 1.33 lbs\u003cbr\u003e\u003cb\u003eTamaño:\u003c\/b\u003e 9.26h x 7.44w x 0.72d\u003cbr\u003e\u003cb\u003eISBN13:\u003c\/b\u003e 9781617297137\u003cbr\u003e\u003cb\u003eISBN10:\u003c\/b\u003e 1617297135\u003cbr\u003e\u003cb\u003eCategorías BISAC:\u003c\/b\u003e\u003cbr\u003e- \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=CAT-COM\"\u003eInformática\u003c\/a\u003e | \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=BISAC-COM094000\"\u003eCiencia de Datos | Aprendizaje Automático\u003c\/a\u003e\u003cbr\u003e- \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=CAT-COM\"\u003eInformática\u003c\/a\u003e | \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=BISAC-COM044000\"\u003eCiencia de Datos | Redes Neuronales\u003c\/a\u003e\u003cbr\u003e- \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=CAT-COM\"\u003eInformática\u003c\/a\u003e | \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=BISAC-COM051360\"\u003eLenguajes | Python\u003c\/a\u003e\u003cbr\u003e","brand":"Manning Publications","offers":[{"title":"Default Title","offer_id":44439176413421,"sku":"9781617297137","price":79.98,"currency_code":"USD","in_stock":false}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0550\/8097\/6621\/products\/img_7dd66771-085b-424e-bed7-32ac38a32ac2.jpg?v=1700156294","url":"https:\/\/sureshotbooks.com\/es\/products\/ensemble-methods-for-machine-learning-9781617297137","provider":"SureShot Books Publishing LLC","version":"1.0","type":"link"}