Machine Learning (en Python), con ejemplos
El Machine Learning o Aprendizaje Autónomo es una rama de la Inteligencia Artificial que tiene como objetivo crear sistemas capaces de aprender por ellos mismos a partir de un conjunto de datos (data set), sin ser programados de forma explícita. Este libro tiene como finalidad explicar las principales técnicas de Machine Learning con un enfoque muy práctico, implementado en python todas aquellas técnicas que se presentan. Adicionalmente se implementaran estas técnicas usando librerias como scikit-learn y gensim.
En la actualidad este libro se encuentra de desarrollo, pero se van publicando temas sengún vayan estando finalizados. Para descargar de github los ejemplos que se muestran en el debéis de hacer un clone con la opción "–recursive" ya que este proyecto esta formado por subproyectos (submodulos). Para acceder al proyecto de git pulsar AQUI, y para clonarlo con todos los submódulos debéis de poner lo siguiente:
git clone --recursive https://github.com/RicardoMoya/MachineLearningPython.git
Los puntos a tratar en el libro son los siguientes:
- Machine Learning
- Regresión Lineal
- Regresión Lineal Múltiple
- Regresión No Lineal
- Regularización
- Regresión Logística
- Bias-Variance Tradeoff (Equilibrio)
- Clustering
- K-Means
- Expectation-Maximization
- Selección óptima de Clusters
- Análisis de Componentes Principales (PCA)
- K-nearest neighbors (Knn)
- Support Vector Machine (SVM)
- Linear Discriminant Analysis (LDA)
- Redes Neuronales (Provisional)
- Perceptrón
- Sistemas de Recomendación (Provisional)
- KNN en los Sistemas de Recomendación (Provisional)
- Factorización Matricial en los Sistemas de Recomendación (SVD)
- Latent Semantic Index en los Sistemas de Recomendación (LSI/A)
- Latent Dirichlet Allocation en los Sistemas de Recomendación (LDA)
- Redes Bayesianas
- Modelos Gráficos Probabilísticos
- Algoritmos Genéticos (Provisional)