Iniciar prueba gratuita
Popular Nuevos Géneros Autores
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Buscando...
SoBrief
Introducción al machine learning con Python

Introducción al machine learning con Python

Título traducido
Título original: Introduction to Machine Learning with Python
Crea modelos de aprendizaje automático que superen pruebas rigurosas, desde los datos sin procesar hasta su implementación en producción.
por Andreas C. Müller 2015 400 páginas
4.33
500+ valoraciones
Escuchar
Inmersivo
V2.3
Amazon Kindle Audible
Prueba el acceso completo por 3 días
¡Desbloquea la escucha y mucho más!
Continuar

Ideas clave

Empieza por la pregunta y los datos, no por el menú de algoritmos

Primero, define el objetivo. El aprendizaje automático encuentra patrones en ejemplos para hacer predicciones, pero ningún algoritmo puede rescatar una pregunta mal planteada o la falta de información. Antes de entrenar, pregúntate qué resultado importa, si los datos disponibles pueden revelarlo y cómo se medirá el éxito. Por ejemplo, el apellido de un paciente, por sí solo, no ofrece una base fiable para predecir su género; añadir información pertinente cambia lo que el modelo puede aprender.

Considera el modelo como un paso más. El flujo de trabajo práctico del libro va desde comprender y representar los datos hasta ajustar, evaluar y utilizar un modelo. El ejemplo de Iris lo concreta: se usan cuatro mediciones de flores para predecir una de tres especies conocidas. El modelo solo resulta útil porque las características guardan una relación significativa con la pregunta.

Análisis

Lo llamativo es cuánto se parece este planteamiento a una buena práctica de medición científica: el instrumento importa, pero la pregunta determina qué cuenta como evidencia. El objetivo de una predicción no es automáticamente un resultado significativo. Por ejemplo, un modelo puede predecir muy bien una variable indirecta y, aun así, no mejorar la decisión que motivó el proyecto. Por eso, definir el problema es una tarea técnica, no un mero preámbulo. Este enfoque también tiene sus límites: algunos trabajos exploratorios valiosos empiezan sin un objetivo preciso. En ese caso, los hallazgos deben tratarse como pistas que hay que investigar, no como respuestas ya validadas.

Reserva ejemplos no vistos para comprobar que el modelo aprendió algo más que a memorizar

Evalúa la generalización, no la memorización. Un modelo puede memorizar los ejemplos de entrenamiento y obtener una puntuación perfecta con ellos, pero fallar ante casos nuevos. Generalizar significa rendir bien con datos que no se habían visto, extraídos del mismo tipo de problema. En la demostración de Iris, 150 flores etiquetadas se dividen en 112 ejemplos de entrenamiento y 38 de prueba. Un clasificador de un vecino más cercano alcanza alrededor del 97 % de exactitud con las flores reservadas para la prueba.

Mantén separado el conjunto de prueba. El conjunto de prueba permite estimar el rendimiento futuro solo si no se ha utilizado para ajustar el modelo ni elegir sus parámetros. Es importante barajar aleatoriamente los registros de Iris porque están ordenados por especie; si se tomara el último cuarto sin barajarlos, el conjunto de prueba contendría una sola especie. Una puntuación alta en un conjunto de prueba pequeño es alentadora, pero no constituye una garantía.

Análisis

La separación entre aprender y comprobar es la versión del aprendizaje automático de mantener una medición independiente de la hipótesis que evalúa. Por diseño, evita que uno se felicite a sí mismo. La misma lógica aparece en la replicación científica: un resultado es más creíble cuando resiste evidencia que no se utilizó para producirlo. Sin embargo, una partición aleatoria solo aporta información si se parece a los casos futuros. Los datos ordenados por tiempo, agrupados por paciente o específicos de una ubicación quizá requieran otras particiones. Por tanto, el diseño de la evaluación forma parte de la afirmación que se hace; no es un mero paso práctico de programación.

Deja que la variedad de los datos, no la exactitud de entrenamiento, justifique la complejidad del modelo

Desconfía de una regla perfecta. En un ejemplo inventado sobre la compra de embarcaciones, una persona novata crea una regla compleja que explica correctamente los 12 registros de clientes. Una de sus cláusulas depende de un solo cliente, así que esa precisión aparente podría ser fruto del azar. Una regla más sencilla, como predecir el interés basándose únicamente en la edad, quizá sea menos exacta con esos registros, pero más verosímil para clientes nuevos. El sobreajuste se produce cuando un modelo capta peculiaridades de sus datos de entrenamiento en lugar de patrones fiables. El subajuste es lo contrario: el modelo es demasiado simple para captar una estructura significativa.

Ajusta la complejidad a la evidencia. Una mayor variedad de ejemplos puede justificar modelos más ricos; las copias repetidas o los casos casi idénticos aportan poco. El objetivo no es maximizar el rendimiento de entrenamiento, sino encontrar un modelo cuyo rendimiento de prueba se mantenga. La complejidad es útil cuando los datos contienen información suficiente para justificarla.

Análisis

Esta es una expresión práctica del equilibrio entre sesgo y varianza: los modelos demasiado simples pasan por alto la estructura, mientras que los demasiado flexibles reaccionan al ruido. El ejemplo de las embarcaciones también muestra por qué un modelo que parece explicable a posteriori puede seguir siendo poco convincente: una regla puede sonar coherente y, aun así, apoyarse en una coincidencia frágil. Más datos solo ayudan si representan una variación significativa. En ámbitos donde importan los sucesos infrecuentes, recopilar más ejemplos corrientes puede no resolver la incertidumbre sobre los casos que determinan el costo en el mundo real.

Diseña características que revelen la estructura que el modelo no puede inferir

Representa correctamente el significado. La ingeniería de características consiste en dar forma a las entradas o crearlas para que expresen información que el modelo pueda aprovechar. Un valor categórico como la profesión no es una cantidad con un orden numérico natural. La codificación one-hot representa cada categoría con su propio indicador de cero o uno, en vez de fingir que los códigos de categoría son mediciones.

Añade estructura útil. En los datos de alquiler de Citi Bike, un bosque aleatorio que solo usaba una marca temporal obtuvo una puntuación de alrededor de -0,04 para fechas futuras, porque los modelos de árbol no pueden extrapolar más allá de los valores temporales que han visto. Al añadir la hora del día, la puntuación subió a 0,60; al añadir tanto la hora como el día de la semana, llegó a 0,84. Así, el modelo podía aprender patrones recurrentes. En los modelos lineales, las interacciones y las características polinómicas permiten expresar relaciones que una fórmula lineal no puede representar.

Análisis

El diseño de características es el punto de encuentro entre el conocimiento del dominio y el aprendizaje estadístico. El ejemplo de las bicicletas resulta especialmente útil porque el problema no se resuelve buscando con más empeño un algoritmo mejor: la representación de entrada oculta los ciclos diarios y semanales. Esto se parece a elegir coordenadas en física, donde una representación adecuada puede hacer visible un patrón. La precaución es que las características diseñadas a mano también codifican supuestos. Un patrón de días laborables aprendido a partir de un mes quizá no se mantenga durante las vacaciones o ante sucesos inusuales, así que el conocimiento del dominio debe orientar las pruebas, no sustituirlas.

Mantén cada paso de preprocesamiento aprendido dentro de la validación cruzada

Evita la fuga de información. La fuga de información se produce cuando un paso del desarrollo del modelo utiliza información de ejemplos que deberían reservarse para la evaluación. El escalado, la selección de características y la reducción de dimensionalidad pueden aprender de los datos, así que deben ajustarse únicamente con los datos de entrenamiento de cada partición. Un Pipeline de scikit-learn encadena transformaciones y un modelo predictivo para que cada paso vuelva a ajustarse correctamente durante la validación.

Los datos aleatorios pueden parecer predictivos. El libro lo demuestra con 100 muestras y 10 000 características aleatorias, creadas deliberadamente sin una relación real con el objetivo. Seleccionar las características antes de la validación cruzada produjo un valor de R cuadrado aparentemente impresionante, de 0,91. Al incluir la selección de características dentro de un pipeline, el resultado fue -0,25, lo que puso de manifiesto, correctamente, la falta de señal. El primer resultado no fue un descubrimiento, sino una contaminación de la evaluación.

Análisis

Esta es una de las demostraciones más contundentes del libro porque convierte una advertencia procedimental abstracta en un resultado falso convincente. La lección se relaciona con el problema estadístico más amplio de las comparaciones múltiples: cuando se buscan suficientes candidatos aleatorios, algunos parecerán inusualmente predictivos por azar. Un pipeline hace explícito y reproducible el límite entre el ajuste y la evaluación. Sin embargo, no puede corregir todas las fuentes de fuga. Las etiquetas quizá ya codifiquen información futura, o puede que registros duplicados terminen en distintas particiones. Una validación sólida sigue exigiendo entender cómo se generaron los datos.

Pondera los errores según su costo real, no solo por la exactitud

La exactitud puede hacer que un mal modelo parezca bueno. En una tarea de reconocimiento de dígitos cuyo objetivo es detectar el número nueve, alrededor del 90 % de los ejemplos no son nueves. Por tanto, un clasificador que siempre prediga «no es nueve» alcanza aproximadamente un 90 % de exactitud sin detectar ninguno. Una matriz de confusión lo revela al distinguir los positivos y negativos correctos de las falsas alarmas y los casos no detectados.

Elige deliberadamente el equilibrio. La precisión mide cuántos de los positivos predichos son correctos; la exhaustividad mide cuántos de los positivos reales se detectan. La puntuación F combina ambas, mientras que el AUC ROC mide hasta qué punto un modelo ordena los ejemplos positivos por encima de los negativos en distintos umbrales. En el cribado del cáncer, pasar por alto un caso real puede ser peor que enviar a una persona sana a hacerse más pruebas. La métrica y el umbral de decisión deben reflejar esas consecuencias.

Análisis

El cambio clave consiste en dejar de considerar equivalentes todos los errores y empezar a entender la evaluación como un problema de decisión. Esto se relaciona con la teoría de decisiones: el mejor umbral depende no solo de la calidad predictiva, sino también del costo de las falsas alarmas y de los casos no detectados. El AUC puede ayudar a comparar la capacidad de ordenar los casos con distintos umbrales, especialmente cuando las clases están desequilibradas, pero por sí solo no determina un umbral operativo útil. Tampoco una sola métrica resumida refleja las prioridades de todos los grupos interesados. Presentar la matriz de confusión junto con una métrica permite ver el equilibrio práctico.

Elige modelos según sus supuestos, escala e interpretabilidad, no según la moda

Cada modelo tiene sus particularidades. Un modelo de vecinos más cercanos es intuitivo y útil como referencia con pocos datos, pero sus predicciones pueden ralentizarse a medida que crece el conjunto de datos. Los modelos lineales son rápidos y suelen ser adecuados para datos de alta dimensionalidad, mientras que los árboles de decisión son fáciles de visualizar y no requieren escalar las características. Un solo árbol puede sobreajustarse; los bosques aleatorios promedian muchos árboles distintos, y el boosting de gradiente añade árboles secuencialmente para corregir errores anteriores.

Respeta las necesidades de preprocesamiento. Las máquinas de vectores de soporte con kernel pueden trazar límites complejos, pero son sensibles a la escala de las características. En el conjunto de datos sobre cáncer, una SVM sin escalar obtuvo 0,63 en el conjunto de prueba; después de escalar, llegó aproximadamente a 0,95, y el ajuste de parámetros la mejoró aún más. Ningún modelo gana en todos los casos. Empieza con una referencia sencilla y luego compara candidatos mediante un procedimiento de evaluación adecuado.

Análisis

El recorrido por los algoritmos que ofrece el libro resulta más valioso como mapa de supuestos inductivos que como clasificación de ganadores. Las fortalezas y debilidades de un modelo se derivan de lo que puede representar: los árboles dividen el espacio de características, mientras que los modelos lineales imponen un límite más simple, salvo que se amplíen las características. Esta perspectiva favorece la experimentación disciplinada frente a la selección basada en prestigio. La interpretabilidad también tiene varias dimensiones: un árbol pequeño puede ser fácil de leer, pero sus reglas pueden ser inestables; una puntuación de importancia de características puede resumir un bosque sin explicar ninguna predicción concreta. La elección adecuada depende de la decisión y sus limitaciones.

Trata los clústeres como hipótesis exploratorias, no como verdades fundamentales descubiertas

Los resultados no supervisados requieren interpretación. El agrupamiento reúne entradas similares sin etiquetas conocidas, así que no hay una respuesta correcta automática. K-means es rápido, pero favorece grupos compactos y aproximadamente esféricos, y exige que el usuario elija el número de clústeres. DBSCAN agrupa vecindarios densos, puede identificar ruido y permite recuperar formas curvas, como dos medias lunas entrelazadas.

Una puntuación no equivale a significado. El libro muestra que la puntuación de silueta puede favorecer a K-means con datos en forma de media luna, aunque DBSCAN encuentre el agrupamiento más intuitivo. Medidas como el índice Rand ajustado permiten comparar clústeres con etiquetas conocidas, pero esa verdad de referencia a menudo no está disponible en exploraciones reales. Es esencial inspeccionar los grupos resultantes. Un clúster de rostros podría reflejar el ángulo de la cámara o la iluminación, en lugar de las categorías de identidad que el investigador esperaba encontrar.

Análisis

La diferencia entre coherencia geométrica y utilidad semántica es crucial. Un algoritmo puede dividir los datos de forma consistente y, aun así, responder a la pregunta equivocada, igual que un mapa puede agrupar lugares por distancia e ignorar los límites políticos o culturales. Por eso, conviene tratar el aprendizaje no supervisado como una forma de generar hipótesis, cuyo significado se establece mediante la inspección humana y las comprobaciones del dominio. La inspección manual tampoco es infalible: las personas pueden percibir patrones que no son estables ni pertinentes. La robustez en distintas muestras y configuraciones puede reforzar un hallazgo, pero no permite establecer qué significa un clúster.

El recuento de palabras es útil, pero el orden puede invertir el significado

Convierte el lenguaje en características. Un modelo de bolsa de palabras cuenta la frecuencia con que aparece cada token en un documento y crea una representación numérica dispersa que pueden utilizar los clasificadores habituales. En 25 000 reseñas positivas y 25 000 negativas de IMDb, el recuento de palabras con regresión logística alcanzó alrededor de un 88 % de exactitud en el conjunto de prueba. La frecuencia de término-frecuencia inversa de documento, o tf-idf, asigna más peso a las palabras frecuentes en una reseña, pero poco comunes en el conjunto completo.

Recupera algo de contexto. Una bolsa de palabras trata «bueno, no está mal» y «malo, no está bien» de forma parecida, porque descarta el orden. Los n-gramas añaden secuencias de palabras contiguas, como «no vale», para conservar algo de contexto. Probar unigramas, bigramas y trigramas elevó la exactitud de la validación cruzada a alrededor del 91 %. Más características pueden ayudar, pero las frases poco frecuentes también pueden favorecer el sobreajuste.

Análisis

Este ejemplo refleja un equilibrio duradero en la representación: simplificar el lenguaje facilita su procesamiento computacional, pero descarta sintaxis, tono y contexto. Los n-gramas recuperan algo del orden local, sin resolver el problema más profundo del significado. Una frase como «no está mal» puede ser un elogio moderado, mientras que el sarcasmo puede invertir por completo el sentido literal de las palabras. Inspeccionar los coeficientes, como hace el libro, es una salvaguarda útil porque permite ver qué términos impulsan las predicciones. Aun así, una lista de palabras influyentes explica asociaciones en este conjunto de datos, no las causas de la opinión de quien escribió la reseña.

Demuestra el valor en el sistema real y deja que las personas gestionen los casos difíciles

Las puntuaciones sin conexión son solo el comienzo. Un conjunto de prueba estima el rendimiento predictivo, pero un modelo desplegado puede cambiar el comportamiento de los usuarios y enfrentarse a casos ausentes de los datos de desarrollo. Las pruebas A/B comparan dos versiones con grupos distintos de usuarios y miden resultados importantes para el servicio. Así se comprueba si un modelo mejora el sistema real, no solo un punto de referencia.

Mantén una alternativa humana. Algunas decisiones son inmediatas y deben automatizarse; otras permiten derivar los casos inciertos o complejos a una persona. Incluso una automatización parcial puede reducir las demoras o los costos. La puesta en producción también eleva las exigencias de ingeniería: junto con la exactitud, importan la fiabilidad, el tiempo de ejecución, el uso de memoria y la facilidad de mantenimiento. Una cadena de pasos de preprocesamiento y predicción no debería ser más compleja de lo que justifica la aplicación.

Análisis

El paso de la evaluación sin conexión a las pruebas en vivo reconoce que los modelos son intervenciones, no observadores pasivos. Las recomendaciones pueden cambiar aquello en lo que hacen clic las personas, y esos clics pueden, a su vez, influir en los datos de entrenamiento futuros. Esto crea ciclos de retroalimentación que un conjunto de prueba estático no puede revelar. Las pruebas A/B aportan evidencia sobre los efectos en el sistema en su conjunto, aunque requieren medidas de protección frente a experiencias desiguales y métricas de corto plazo engañosas. La revisión humana puede absorber los casos límite, pero solo si quienes revisan tienen autoridad, directrices claras y una carga de trabajo manejable. La calidad del despliegue es tanto estadística como organizativa.

Análisis

Este libro se entiende mejor como una guía práctica para todo el flujo de trabajo predictivo, no simplemente como un catálogo de algoritmos. Su argumento central es que el aprendizaje automático útil depende de hacer coincidir una pregunta, una representación de los datos, un modelo y un método de evaluación. Los ejemplos lo concretan: cuatro mediciones de flores permiten crear un clasificador de especies, los valores de las marcas temporales ocultan los ciclos del alquiler de bicicletas y un paso indiscriminado de selección de características puede hacer que los datos aleatorios parezcan predictivos.

Su principal aporte es la insistencia en la honestidad procedimental. La separación entre entrenamiento y prueba, la validación cruzada, las métricas adecuadas y los pipelines se presentan como salvaguardas frente a conclusiones atractivas pero falsas. Estas prácticas perduran más que cualquier estimador o interfaz de software en particular. El libro también aclara que elegir un modelo implica considerar sus supuestos: los árboles admiten escalas mixtas, pero no extrapolan, mientras que las SVM pueden modelar límites intrincados, aunque requieren un escalado cuidadoso.

Una distinción crítica útil es la que existe entre predicción y explicación. Los ejemplos muestran cómo inspeccionar coeficientes, importancias de características y clústeres, pero ninguno establece automáticamente relaciones causales. Una palabra asociada a reseñas negativas no es necesariamente la causa de la insatisfacción; una característica utilizada por un clasificador puede servir de sustituto de otra señal correlacionada. Del mismo modo, una puntuación alta en datos reservados solo es significativa si los datos futuros se parecen a los casos de prueba. Los cambios en la población, las prácticas de recopilación o los incentivos pueden debilitar ese supuesto.

Los ejemplos de paquetes y API del libro, propios de la época de 2016, están situados históricamente, mientras que el razonamiento fundamental sigue siendo pertinente. Los profesionales actuales también deben prestar atención explícita a la equidad, la privacidad, la calibración y el seguimiento ante cambios en los datos, aspectos que aquí solo se abordan de forma selectiva. El hábito más valioso que conviene conservar no es, por tanto, la adhesión a una familia de modelos, sino un ciclo repetible: definir la decisión, examinar la evidencia, construir una representación defendible, validar sin fugas y comprobar si el sistema ayuda en la práctica.

Resumen en 30 segundos
Un modelo solo es útil cuando sus datos, características y evaluación se ajustan a la pregunta. Reserva ejemplos no vistos y mantén el preprocesamiento dentro de la validación cruzada: seleccionar primero entre 10 000 características aleatorias puede producir un R cuadrado falso de 0,91. Diseña características informativas, elige métricas que reflejen el costo de los errores y compara los modelos según sus supuestos. Evalúa los grupos con cautela, mide el rendimiento en producción y deriva los casos inciertos a personas.
Contiene spoilers

Última actualización:

Reportar problema

Resumen de reseñas

4.33 de 5
Promedio de 500+ valoraciones de Goodreads y Amazon.

Introduction to Machine Learning with Python es muy recomendable para quienes se inician en el aprendizaje automático, pues ofrece un enfoque práctico con scikit-learn. Los lectores valoran sus explicaciones claras de los algoritmos, el énfasis en los ejemplos de código y las ideas sobre el ajuste de parámetros. Se elogia el libro por su accesibilidad: evita las matemáticas complejas y, a la vez, proporciona una base sólida. Algunas críticas señalan que depende de una biblioteca personalizada para los ejemplos y que ciertos temas no se tratan en profundidad. En general, se considera un excelente punto de partida para quienes tienen conocimientos básicos de Python y quieren explorar conceptos de aprendizaje automático.

Tu valoración:
4.61
192 valoraciones
¿Quieres leer el libro completo?

Glosario

aprendizaje supervisado

Aprendizaje a partir de ejemplos etiquetados

Un contexto de aprendizaje automático en el que los ejemplos incluyen tanto características de entrada como resultados deseados conocidos. El algoritmo aprende una relación a partir de estos pares de entrada y salida y luego la utiliza para predecir resultados para ejemplos nuevos. La clasificación predice etiquetas discretas, como especies de flores, mientras que la regresión predice valores continuos, como un precio.

sobreajuste

Ajuste del ruido como si fuera señal

Un modelo presenta sobreajuste cuando capta tan de cerca las peculiaridades de sus ejemplos de entrenamiento que su rendimiento no se mantiene con datos nuevos. Puede lograr una precisión excelente en el entrenamiento y, al mismo tiempo, hacer predicciones menos acertadas en un conjunto de prueba. Limitar la complejidad del modelo, recopilar ejemplos más variados y evaluarlo con datos no vistos ayudan a detectar o reducir el sobreajuste.

ingeniería de características

Diseño de entradas útiles para el modelo

Proceso de representar los datos existentes de formas que ayuden a un modelo de aprendizaje automático a identificar patrones relevantes. Puede incluir codificar categorías, escalar mediciones, añadir interacciones o términos polinómicos e incorporar conocimiento del dominio. Una representación bien elegida puede mejorar el rendimiento más que cambiar el modelo o ajustar sus parámetros.

codificación one-hot

Codificación de categorías como indicadores

Método para representar una variable categórica mediante características binarias separadas, una por cada categoría posible. Para cada ejemplo, el indicador de su categoría se establece en uno y los demás en cero. Así se evita tratar las etiquetas de categoría como cantidades numéricas con un orden o una distancia artificiales.

validación cruzada

Evaluación repetida con datos reservados

Procedimiento para estimar el rendimiento de un modelo dividiendo los datos en pliegues y entrenándolo repetidamente con algunos pliegues mientras se evalúa con otro. En la validación cruzada de k pliegues, cada pliegue sirve una vez como conjunto de evaluación. Las puntuaciones resultantes muestran el rendimiento en varias particiones, aunque la validación cruzada evalúa un método y no genera por sí misma el modelo final.

fuga de información

Los datos de evaluación influyen en el entrenamiento

La fuga de información ocurre cuando los datos reservados para la evaluación influyen en el desarrollo del modelo. Por ejemplo, seleccionar características usando todo el conjunto de datos antes de la validación cruzada permite que la información de cada pliegue de validación influya en la selección de características. Esto puede producir puntuaciones engañosamente altas. Los pipelines ayudan a prevenir la fuga al ajustar cada transformación únicamente con la parte de entrenamiento de cada partición.

Pipeline

Procesamiento y predicción encadenados

Estimador de scikit-learn que conecta transformaciones y un modelo predictivo final en un único flujo de trabajo. Durante el ajuste, cada transformación se aprende a partir de los datos de entrenamiento actuales y se aplica antes del paso siguiente. Un Pipeline puede evaluarse o ajustarse mediante validación cruzada, manteniendo el preprocesamiento dentro de cada partición.

bolsa de palabras

Documento representado mediante recuentos de palabras

Representación textual que crea un vocabulario y registra con qué frecuencia aparece cada palabra del vocabulario en cada documento. Permite que los algoritmos estándar de aprendizaje automático procesen texto como características numéricas, normalmente en una matriz dispersa. Como ignora el orden de las palabras, las frases con significados distintos pueden recibir representaciones similares.

tf-idf

Ponderación de palabras distintivas

La frecuencia de término-frecuencia inversa de documento es un método de ponderación de texto que da más importancia a las palabras que aparecen con frecuencia en un documento específico, pero en relativamente pocos documentos en general. Reduce la influencia de términos muy comunes y puede hacer que el vocabulario distintivo resulte más informativo. La ponderación utiliza propiedades del conjunto de entrenamiento y debe ajustarse dentro de los procedimientos de validación.

n-gramas

Secuencias de tokens adyacentes

Secuencias de tokens vecinos que se utilizan como características de texto. Un unigramo es un token, un bigrama son dos tokens consecutivos y un trigrama son tres. Incluir n-gramas conserva parte del orden local de las palabras que se pierde en una representación simple de recuento de palabras, pero las secuencias más largas crean muchas más características y pueden hacer que el modelo se ajuste a frases poco frecuentes.

DBSCAN

Agrupamiento basado en densidad con ruido

Algoritmo de agrupamiento que identifica vecindarios densos de puntos y conecta puntos centrales cercanos para formar grupos. Sus parámetros principales definen la distancia del vecindario y el número mínimo de ejemplos cercanos necesario para que un punto sea central. A diferencia de k-means, puede encontrar grupos de formas irregulares y etiquetar puntos aislados como ruido, sin requerir que se indique de antemano el número de grupos.

análisis de componentes principales (PCA)

Rotación de datos basada en la varianza

Transformación no supervisada que rota los datos en direcciones ordenadas según la cantidad de varianza que explican. Conservar solo los componentes principales puede reducir la dimensionalidad, comprimir los datos o facilitar su visualización. Cada componente combina características originales, por lo que los ejes resultantes pueden ser difíciles de interpretar. PCA no utiliza etiquetas de clase para encontrar estas direcciones.

asignación latente de Dirichlet (Latent Dirichlet Allocation)

Modelo probabilístico de temas en documentos

Método de modelado de temas que representa los documentos como mezclas de temas y los temas como distribuciones de palabras. Puede identificar grupos de palabras que tienden a aparecer juntas sin usar etiquetas de documentos. Los temas resultantes pueden captar géneros, sentimientos, autoría u otros patrones, y para interpretarlos es necesario examinar tanto sus palabras como documentos representativos.

Preguntas frecuentes

1. ¿De qué trata "Introduction to Machine Learning with Python" de Andreas C. Müller?

  • Guía práctica e integral: El libro es una introducción accesible al aprendizaje automático para profesionales, centrada en aplicaciones del mundo real con Python y la biblioteca scikit-learn.
  • Abarca el flujo de trabajo de principio a fin: Guía a los lectores por todo el proceso de aprendizaje automático, desde el preprocesamiento de datos y la ingeniería de características hasta la evaluación y mejora de modelos.
  • Hace hincapié en el aprendizaje práctico: Con ejemplos de código y ejercicios prácticos, ayuda a los lectores a crear, evaluar e implementar modelos de aprendizaje automático con conjuntos de datos reales.
  • Amplia variedad de temas: Incluye aprendizaje supervisado y no supervisado, procesamiento de datos de texto, pipelines y ajuste avanzado de modelos.

2. ¿Por qué debería leer "Introduction to Machine Learning with Python" de Andreas C. Müller?

  • Enfoque accesible para principiantes: El libro evita la teoría matemática densa, lo que permite acercarse al aprendizaje automático sin tener una formación profunda en matemáticas o estadística.
  • Se centra en las habilidades prácticas: Los lectores aprenden a usar Python y scikit-learn para resolver problemas del mundo real, y adquieren habilidades directamente aplicables en la industria y la investigación.
  • Aborda desafíos reales: Trata problemas habituales como el sobreajuste, los datos desequilibrados y la importancia del conocimiento experto, y prepara a los lectores para el trabajo práctico en aprendizaje automático.
  • Base sólida: Al abarcar algoritmos, flujos de trabajo y buenas prácticas esenciales, proporciona una base firme para seguir estudiando o emprender proyectos profesionales.

3. ¿Cuáles son las principales conclusiones de "Introduction to Machine Learning with Python" de Andreas C. Müller?

  • Flujo de trabajo integral de aprendizaje automático: Comprender el proceso completo, desde la recopilación y el preprocesamiento de datos hasta la selección, evaluación e implementación de modelos.
  • Importancia de la representación de los datos: Destaca cómo la ingeniería de características y las transformaciones de datos adecuadas pueden influir significativamente en el rendimiento del modelo.
  • Evaluación y ajuste de modelos: Subraya la necesidad de utilizar métricas de evaluación adecuadas, validación cruzada y ajuste de hiperparámetros para crear modelos robustos.
  • Resolución práctica de problemas: Fomenta la experimentación iterativa, la definición clara de objetivos y la combinación de modelos automatizados con la experiencia humana para obtener los mejores resultados.

4. ¿Cuáles son las mejores citas de "Introduction to Machine Learning with Python" de Andreas C. Müller y qué significan?

  • «Empieza con algo sencillo». – El libro recomienda repetidamente comenzar con modelos y enfoques simples antes de pasar a soluciones más complejas, y destaca el valor de la simplicidad y la interpretabilidad.
  • «Conoce tus datos y tu tarea». – Müller recalca la importancia de comprender el conjunto de datos y el contexto del problema antes de elegir algoritmos o métricas de evaluación.
  • «Evita la fuga de información». – El libro advierte que no se deben utilizar datos de prueba durante el entrenamiento o el ajuste de parámetros, pues esto puede conducir a estimaciones de rendimiento demasiado optimistas.
  • «La mejora iterativa es clave». – El aprendizaje automático se presenta como un proceso iterativo en el que los modelos y las características se perfeccionan continuamente según los comentarios recibidos y las evaluaciones.

5. ¿Cuáles son los principales algoritmos de aprendizaje automático que se tratan en "Introduction to Machine Learning with Python" de Andreas C. Müller?

  • Algoritmos de aprendizaje supervisado: Incluye k vecinos más cercanos, modelos lineales (regresión logística, regresión lineal, SVM), árboles de decisión, bosques aleatorios, potenciación del gradiente, Naive Bayes y redes neuronales.
  • Algoritmos de aprendizaje no supervisado: Abarca métodos de agrupamiento como k-means, DBSCAN y agrupamiento aglomerativo, además de técnicas de reducción de dimensionalidad como PCA, t-SNE y NMF.
  • Métodos de procesamiento de texto: Presenta la bolsa de palabras, tf-idf, n-gramas y el modelado de temas con asignación latente de Dirichlet (LDA).
  • Ventajas y desventajas de los algoritmos: Explica cada método con consejos prácticos sobre cuándo y cómo usarlo, incluidas sus limitaciones y los parámetros que se pueden ajustar.

6. ¿Cómo explica "Introduction to Machine Learning with Python" de Andreas C. Müller la representación de datos y la ingeniería de características?

  • Tipos de características: Distingue entre características continuas, categóricas y de texto, y explica cómo representar cada tipo para los algoritmos de aprendizaje automático.
  • Codificación de categorías: Detalla la codificación one-hot y los inconvenientes de un tratamiento inadecuado, especialmente al dividir los datos en conjuntos de entrenamiento y prueba.
  • Transformaciones de características: Trata la discretización, las características polinómicas, los términos de interacción y las transformaciones no lineales, y muestra su efecto en el rendimiento del modelo.
  • Selección automática de características: Abarca métodos como la estadística univariada, la selección basada en modelos y la eliminación recursiva de características para mejorar la generalización y reducir la dimensionalidad.

7. ¿Cómo guía "Introduction to Machine Learning with Python" de Andreas C. Müller a los lectores en la creación de su primer modelo de aprendizaje automático?

  • Ejemplo paso a paso: Utiliza el conjunto de datos Iris para presentar conceptos esenciales como muestras, características y etiquetas, así como la importancia de dividir los datos en conjuntos de entrenamiento y prueba.
  • Presentación de un algoritmo sencillo: Muestra cómo crear un clasificador de k vecinos más cercanos, ajustar el modelo, hacer predicciones y evaluar la precisión.
  • Énfasis en la evaluación: Destaca la necesidad de evaluar la capacidad de generalización del modelo con datos de prueba separados y ejemplos prácticos de código.
  • Aprendizaje práctico: Anima a los lectores a experimentar con código y conjuntos de datos para afianzar su comprensión.

8. ¿Qué técnicas de evaluación y mejora de modelos se destacan en "Introduction to Machine Learning with Python" de Andreas C. Müller?

  • Métodos de validación cruzada: Presenta la validación cruzada de k pliegues, k pliegues estratificada, dejando uno fuera y basada en grupos para estimar de forma fiable el rendimiento del modelo.
  • Búsqueda en cuadrícula para el ajuste: Explica cómo ajustar sistemáticamente los hiperparámetros mediante una búsqueda en cuadrícula combinada con validación cruzada, incluida la validación cruzada anidada para evitar el sobreajuste.
  • Métricas de evaluación: Detalla métricas como la exactitud, la precisión, la exhaustividad, la puntuación F1, ROC AUC y su uso adecuado, especialmente con conjuntos de datos desequilibrados.
  • Buenas prácticas para seleccionar modelos: Muestra cómo usar parámetros de puntuación y evitar el sobreajuste mediante estrategias de validación apropiadas.

9. ¿Cómo describe "Introduction to Machine Learning with Python" de Andreas C. Müller el uso de pipelines y cadenas de algoritmos?

  • Presentación de la clase Pipeline: Explica cómo encadenar pasos de preprocesamiento y modelos en un único estimador mediante la clase Pipeline de scikit-learn.
  • Ajuste de parámetros en pipelines: Muestra cómo ajustar simultáneamente los parámetros de todos los pasos del pipeline mediante una búsqueda en cuadrícula, mejorando la eficiencia del flujo de trabajo.
  • Prevención de la fuga de datos: Destaca que los transformadores deben ajustarse únicamente con los pliegues de entrenamiento durante la validación cruzada para evitar la fuga de información.
  • Experimentación flexible: Muestra cómo buscar entre distintos métodos de preprocesamiento y modelos dentro de un mismo pipeline para desarrollar modelos robustos.

10. ¿Qué orientación ofrece "Introduction to Machine Learning with Python" de Andreas C. Müller para trabajar con datos de texto?

  • Extracción de características de texto: Presenta la bolsa de palabras, tf-idf y n-gramas para convertir el texto en características numéricas adecuadas para el aprendizaje automático.
  • Técnicas de preprocesamiento: Abarca la tokenización, la derivación de palabras, la lematización y la eliminación de palabras vacías para limpiar y normalizar los datos de texto.
  • Modelado de temas: Explica la asignación latente de Dirichlet (LDA) para descubrir temas en grandes corpus de texto e interpretar su importancia.
  • Ejemplos prácticos: Utiliza el análisis de sentimientos de reseñas de películas para mostrar el flujo de trabajo completo de procesamiento y clasificación de datos de texto.

11. ¿Cómo aborda "Introduction to Machine Learning with Python" de Andreas C. Müller desafíos como los datos desequilibrados y los tipos de error en la clasificación?

  • Problemas de los conjuntos de datos desequilibrados: Advierte que la exactitud puede ser engañosa cuando las clases están desequilibradas, ya que clasificadores triviales pueden parecer eficaces.
  • Definición de tipos de error: Explica claramente los falsos positivos y los falsos negativos, así como sus distintas consecuencias en aplicaciones del mundo real.
  • Métricas de evaluación alternativas: Recomienda utilizar precisión, exhaustividad, puntuación F1, curvas ROC y de precisión-exhaustividad, y AUC para evaluar mejor los clasificadores.
  • Consejos para ajustar el umbral: Explica cómo modificar los umbrales de decisión para equilibrar la precisión y la exhaustividad, y advierte que no se deben ajustar con datos de prueba para evitar sesgos.

12. ¿Qué consejos finales y recursos ofrece "Introduction to Machine Learning with Python" de Andreas C. Müller a quienes aspiran a trabajar en aprendizaje automático?

  • Enfoque centrado en el problema: Anima a definir objetivos claros, comprender el impacto en el negocio y perfeccionar iterativamente los modelos y la recopilación de datos.
  • Sistemas con intervención humana: Sugiere combinar las predicciones automatizadas con supervisión humana para decisiones complejas o de alto riesgo.
  • Consideraciones de producción: Trata las diferencias entre crear prototipos e implementar modelos en producción, y destaca la simplicidad, la robustez y las estrategias de prueba, como las pruebas A/B.
  • Recursos para seguir aprendiendo: Recomienda libros avanzados, plataformas en línea como Kaggle y OpenML, y la práctica continua para profundizar los conocimientos de aprendizaje automático.

Sobre el autor

Andreas C. Müller es científico del aprendizaje automático y docente, conocido por su trabajo en ciencia de datos basada en Python. Es desarrollador principal de la biblioteca scikit-learn y ha contribuido de manera significativa a su documentación y sus tutoriales. La especialidad de Müller consiste en hacer accesibles conceptos complejos de aprendizaje automático a principiantes y profesionales de nivel intermedio. Sus antecedentes incluyen investigaciones en visión artificial y aplicaciones médicas del aprendizaje automático. Müller ha impartido cursos de aprendizaje automático en Columbia University y se le reconoce por su capacidad para conectar los conceptos teóricos con su implementación práctica en Python.

Descargar PDF

Para guardar este resumen de Introducción al machine learning con Python para más tarde, descarga el PDF gratis. Puedes imprimirlo o leerlo sin conexión cuando quieras.
Download PDF

Descargar EPUB

Para leer este resumen de Introducción al machine learning con Python en tu dispositivo o aplicación de lectura, descarga el EPUB gratis. El formato de libro digital .epub es ideal para leer libros electrónicos en teléfonos, tabletas y lectores electrónicos.
Download EPUB
¿Quieres leer el libro completo?
Seguir
Escuchar
Inicio
Swipe
Biblio
App
Prueba el acceso completo por 3 días
Escucha, guarda y mucho más
Comparar funciones Gratis Pro
📖 Leer resúmenes
Lee resúmenes ilimitados. Los usuarios gratuitos obtienen 3 al mes
🎧 Escuchar resúmenes
Escucha resúmenes ilimitados en 40 idiomas
—
❤️ Marcadores ilimitados
Usuarios gratuitos limitados a 4
—
📜 Historial ilimitado
Usuarios gratuitos limitados a 4
—
📥 Descargas ilimitadas
Usuarios gratuitos limitados a 1
—
Cronología sin riesgo
Hoy: Obtén acceso instantáneo
Escucha resúmenes completos de más de 26.000 libros. ¡Son más de 12.000 horas de audio!
Día 2: Recordatorio de prueba
Te enviaremos una notificación de que tu prueba está por terminar.
Día 3: Tu suscripción comienza
Se te cobrará el 24 nov,
cancela en cualquier momento antes.
Consume 2.8× More Books
2.8× libros más Escucha Lectura
Nuestros usuarios nos adoran
600,000+ lectores
Trustpilot Rating
TrustPilot
4.6 Excelente
Este sitio es un antes y un después. He leído resúmenes como nunca antes. Lo recomiendo muchísimo.
— Dave G
Vale cada centavo y cada minuto, y está muy bien hecho. Nunca había visto esta calidad de resúmenes en otros sitios. ¡Muy útil!
— Em
¡Muy recomendado! Servicio fantástico. Perfecto para quienes quieren algo más que una sinopsis, pero no todos los detalles de un audiolibro completo.
— Greg M
Ahorra un 62%
Anual
$119.88 $44.99/año/año
$3.75/mes
Mensual
$9.99/mes
Inicia tu prueba gratuita de 3 días
3 días gratis, luego $44.99/año. Cancela cuando quieras.
Unlock a world of fiction & nonfiction books
Más de 26.000 libros por el precio de 2
Lee cualquier libro en 10 minutos
Descubre libros nuevos como en Tinder
Solicita cualquier libro si no está resumido
Lee más libros que cualquiera que conozcas
La app nº 1 para amantes de los libros
Lifelike & immersive summaries
Garantía de devolución de 30 días
Descarga resúmenes en EPUB o PDF
Cancela en cualquier momento con unos clics

¿Por qué solo un resumen?

Escáner
Busca un código de barras para escanear

⭐
⭐
⭐
Tenemos un regalo especial para ti
Abrir
38% de descuento
DESCUENTO PARA TI
⭐
⭐
⭐
$79.99
$49.99/año
Solo $4.16 al mes
Continuar
Empieza con 2 toques y cancela fácilmente
Configuración
General
Widget
Cargando...