Descripción
Lleva tu experiencia en aprendizaje automático al siguiente nivel con esta guía esencial, utilizando bibliotecas como imbalanced-learn, PyTorch, scikit-learn, pandas y NumPy para maximizar el rendimiento del modelo y abordar datos desequilibrados
Características clave:
- Comprende cómo usar los marcos modernos de aprendizaje automático con explicaciones detalladas, ilustraciones y ejemplos de código.
- Aprende técnicas de aprendizaje profundo de vanguardia para superar el desequilibrio de datos.
- Explora diferentes métodos para tratar con datos sesgados en aplicaciones de ML y DL.
- La compra del libro impreso o Kindle incluye un libro electrónico gratuito en formato PDF.
Descripción del libro:
Como profesionales del aprendizaje automático, a menudo nos encontramos con conjuntos de datos desequilibrados en los que una clase tiene considerablemente menos instancias que la otra. Muchos algoritmos de aprendizaje automático asumen un equilibrio entre las clases mayoritarias y minoritarias, lo que lleva a un rendimiento subóptimo en datos desequilibrados. Esta guía completa te ayudará a abordar este desequilibrio de clases para mejorar significativamente el rendimiento del modelo.
Machine Learning for Imbalanced Data comienza presentándote los desafíos que plantean los conjuntos de datos desequilibrados y la importancia de abordar estos problemas. Luego te guía a través de técnicas que mejoran el rendimiento de los modelos clásicos de aprendizaje automático al usar datos desequilibrados, incluidos varios métodos de muestreo y aprendizaje sensible al costo.
A medida que avances, profundizarás en técnicas similares y más avanzadas para modelos de aprendizaje profundo, empleando PyTorch como marco principal. A lo largo del libro, los ejemplos prácticos proporcionarán código funcional y reproducible que demostrará la implementación práctica de cada técnica.
Al final de este libro, serás experto en identificar y abordar los desequilibrios de clases y aplicar con confianza varias técnicas, incluido el muestreo, las técnicas sensibles al costo y el ajuste de umbral, mientras utilizas el aprendizaje automático tradicional o los modelos de aprendizaje profundo.
Lo que aprenderás:
- Utiliza datos desequilibrados en tus modelos de aprendizaje automático de forma eficaz.
- Explora las métricas utilizadas cuando las clases están desequilibradas.
- Comprende cómo y cuándo aplicar varios métodos de muestreo, como el sobremuestreo y el submuestreo.
- Aplica enfoques basados en datos, basados en algoritmos e híbridos para tratar el desequilibrio de clases.
- Combina y elige entre varias opciones para el equilibrio de datos, evitando los errores comunes.
- Comprende los conceptos de calibración de modelos y ajuste de umbral en el contexto del manejo de conjuntos de datos desequilibrados.
A quién va dirigido este libro:
Este libro está dirigido a profesionales del aprendizaje automático que desean abordar eficazmente los desafíos de los conjuntos de datos desequilibrados en sus proyectos. Científicos de datos, ingenieros/científicos de aprendizaje automático, científicos/ingenieros de investigación y científicos/ingenieros de datos encontrarán este libro útil. Aunque los principiantes absolutos son bienvenidos a leer este libro, cierta familiaridad con los conceptos centrales del aprendizaje automático ayudará a los lectores a maximizar los beneficios y la información obtenida de este recurso integral.
Autor: Kumar Abhishek, Mounir Abdelaziz
Editorial: Packt Publishing
Publicado: 30/11/2023
Páginas: 344
Tipo de encuadernación: Tapa blanda
Peso: 1.30 libras
Tamaño: 9.25 alto x 7.50 ancho x 0.72 profundidad
ISBN13: 9781801070836
ISBN10: 1801070830
Categorías BISAC:
- Computadoras | Inteligencia Artificial | General
- Computadoras | Ciencias de la Computación
- Computadoras | Ciencia de Datos | General
Este título no es retornable