Descripción
Adopte un enfoque basado en los datos y los casos de uso para comprender los conceptos de aprendizaje automático y aprendizaje profundo con Low-Code AI. Esta guía práctica presenta tres formas centradas en problemas para aprender ML: sin código usando AutoML, con poco código usando BigQuery ML y con código personalizado usando scikit-learn y Keras. Aprenderá conceptos clave de ML usando conjuntos de datos del mundo real con problemas realistas.
Los analistas de negocios y de datos obtienen una introducción basada en proyectos a ML/IA utilizando un enfoque detallado y basado en datos: cargar y analizar datos, alimentar datos a un modelo de ML; construir, entrenar y probar; e implementar el modelo en producción. Los autores Michael Abel y Gwendolyn Stripling le muestran cómo construir modelos de aprendizaje automático para el comercio minorista, la atención médica, los servicios financieros, la energía y las telecomunicaciones.
Aprenderá a:
- Distinguir datos estructurados y no estructurados y comprender los diferentes desafíos que presentan
- Visualizar y analizar datos
- Preprocesar datos para introducirlos en un modelo de aprendizaje automático
- Diferenciar entre los modelos de aprendizaje supervisado de regresión y clasificación
- Comparar diferentes tipos y arquitecturas de modelos de aprendizaje automático, desde sin código hasta con poco código y entrenamiento personalizado
- Diseñar, implementar y ajustar modelos de ML
- Exportar datos a un repositorio de GitHub para la gestión y gobernanza de datos
Autor: Gwendolyn Stripling, Michael Abel
Editorial: O'Reilly Media
Publicado: 17/10/2023
Páginas: 325
Tipo de encuadernación: Tapa blanda
Peso: 1.15 libras
Tamaño: 9.19h x 7.00w x 0.69d
ISBN13: 9781098146825
ISBN10: 1098146824
Categorías BISAC:
- Informática | Ciencia de datos | Aprendizaje automático
- Informática | Software empresarial y de productividad | Inteligencia empresarial
- Informática | Teoría de máquinas