{"product_id":"machine-learning-for-imbalanced-data-tackle-imbalanced-datasets-using-machine-learning-and-deep-learning-techniques-9781801070836","title":"Aprendizaje automático para datos desequilibrados: aborde conjuntos de datos desequilibrados utilizando técnicas de aprendizaje automático y aprendizaje profundo","description":"\u003cp\u003e\u003cstrong\u003eLleva 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\u003c\/strong\u003e\u003c\/p\u003e\u003cp\u003e\u003cbr\u003e\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003eCaracterísticas clave: \u003c\/strong\u003e\u003c\/p\u003e\u003cp\u003e\u003cbr\u003e\u003c\/p\u003e\u003cul\u003e\n\u003cli\u003eComprende cómo usar los marcos modernos de aprendizaje automático con explicaciones detalladas, ilustraciones y ejemplos de código.\u003c\/li\u003e\n\u003cli\u003eAprende técnicas de aprendizaje profundo de vanguardia para superar el desequilibrio de datos.\u003c\/li\u003e\n\u003cli\u003eExplora diferentes métodos para tratar con datos sesgados en aplicaciones de ML y DL.\u003c\/li\u003e\n\u003cli\u003eLa compra del libro impreso o Kindle incluye un libro electrónico gratuito en formato PDF.\u003c\/li\u003e\n\u003c\/ul\u003e\u003cp\u003e\u003cbr\u003e\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003eDescripción del libro: \u003c\/strong\u003e\u003c\/p\u003e\u003cp\u003e\u003cbr\u003e\u003c\/p\u003e\u003cp\u003eComo 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.\u003c\/p\u003e\u003cp\u003e\u003cbr\u003e\u003c\/p\u003e\u003cp\u003eMachine 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.\u003c\/p\u003e\u003cp\u003e\u003cbr\u003e\u003c\/p\u003e\u003cp\u003eA 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.\u003c\/p\u003e\u003cp\u003e\u003cbr\u003e\u003c\/p\u003e\u003cp\u003eAl 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.\u003c\/p\u003e\u003cp\u003e\u003cbr\u003e\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003eLo que aprenderás: \u003c\/strong\u003e\u003c\/p\u003e\u003cp\u003e\u003cbr\u003e\u003c\/p\u003e\u003cul\u003e\n\u003cli\u003eUtiliza datos desequilibrados en tus modelos de aprendizaje automático de forma eficaz.\u003c\/li\u003e\n\u003cli\u003eExplora las métricas utilizadas cuando las clases están desequilibradas.\u003c\/li\u003e\n\u003cli\u003eComprende cómo y cuándo aplicar varios métodos de muestreo, como el sobremuestreo y el submuestreo.\u003c\/li\u003e\n\u003cli\u003eAplica enfoques basados en datos, basados en algoritmos e híbridos para tratar el desequilibrio de clases.\u003c\/li\u003e\n\u003cli\u003eCombina y elige entre varias opciones para el equilibrio de datos, evitando los errores comunes.\u003c\/li\u003e\n\u003cli\u003eComprende los conceptos de calibración de modelos y ajuste de umbral en el contexto del manejo de conjuntos de datos desequilibrados.\u003c\/li\u003e\n\u003c\/ul\u003e\u003cp\u003e\u003cbr\u003e\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003eA quién va dirigido este libro: \u003c\/strong\u003e\u003c\/p\u003e\u003cp\u003e\u003cbr\u003e\u003c\/p\u003e\u003cp\u003eEste 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.\u003cbr\u003e\u003cbr\u003e\u003cb\u003eAutor:\u003c\/b\u003e \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=AUTH-12716077\"\u003eKumar Abhishek\u003c\/a\u003e, \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=AUTH-16627693\"\u003eMounir Abdelaziz\u003c\/a\u003e\u003cbr\u003e\u003cb\u003eEditorial:\u003c\/b\u003e Packt Publishing\u003cbr\u003e\u003cb\u003ePublicado:\u003c\/b\u003e 30\/11\/2023\u003cbr\u003e\u003cb\u003ePáginas:\u003c\/b\u003e 344\u003cbr\u003e\u003cb\u003eTipo de encuadernación:\u003c\/b\u003e Tapa blanda\u003cbr\u003e\u003cb\u003ePeso:\u003c\/b\u003e 1.30 libras\u003cbr\u003e\u003cb\u003eTamaño:\u003c\/b\u003e 9.25 alto x 7.50 ancho x 0.72 profundidad\u003cbr\u003e\u003cb\u003eISBN13:\u003c\/b\u003e 9781801070836\u003cbr\u003e\u003cb\u003eISBN10:\u003c\/b\u003e 1801070830\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\"\u003eComputadoras\u003c\/a\u003e | \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=BISAC-COM004000\"\u003eInteligencia Artificial | General\u003c\/a\u003e\u003cbr\u003e- \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=CAT-COM\"\u003eComputadoras\u003c\/a\u003e | \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=BISAC-COM014000\"\u003eCiencias de la Computación\u003c\/a\u003e\u003cbr\u003e- \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=CAT-COM\"\u003eComputadoras\u003c\/a\u003e | \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=BISAC-COM018000\"\u003eCiencia de Datos | General\u003c\/a\u003e\u003cbr\u003e\u003c\/p\u003e\u003cp\u003e\u003ci\u003eEste título no es retornable\u003c\/i\u003e\u003cbr\u003e\u003c\/p\u003e","brand":"Packt Publishing","offers":[{"title":"Default Title","offer_id":44707607937261,"sku":"9781801070836","price":69.32,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0550\/8097\/6621\/products\/img_4091c307-16fe-40bd-af07-45892a96a745.jpg?v=1703973453","url":"https:\/\/sureshotbooks.com\/es\/products\/machine-learning-for-imbalanced-data-tackle-imbalanced-datasets-using-machine-learning-and-deep-learning-techniques-9781801070836","provider":"SureShot Books Publishing LLC","version":"1.0","type":"link"}