MACHINE LEARNING. TÉCNICAS DE APRENDIZAJE SUPERVISADO A TRAVÉS DE R PDF Download
Are you looking for read ebook online? Search for your book and save it on your Kindle device, PC, phones or tablets. Download MACHINE LEARNING. TÉCNICAS DE APRENDIZAJE SUPERVISADO A TRAVÉS DE R PDF full book. Access full book title MACHINE LEARNING. TÉCNICAS DE APRENDIZAJE SUPERVISADO A TRAVÉS DE R by Cesar Perez Lopez. Download full books in PDF and EPUB format.
Author: Cesar Perez Lopez
Publisher: CESAR PEREZ
ISBN: 1716967090
Category : Computers
Languages : en
Pages : 205
Get Book Here
Book Description
En este libro se desarrollarán técnicas de aprendizaje supervisado relativas a regresión. Más concretamente, se profundizará en los modelos lineales de regresión múltiple con toda su problemática de identificación, estimación y diagnosis. Se hace especial hincapié en el tratamiento de la multicolinealidad a través de la Ridge Regression (regresión en cadena) y el método PLS de los mínimos cuadrados parciales. Se dedica una parcela importante del contenido a los modelos de variable dependiente limitada y recuento, con especial mención a los modelos Logit y Probit. Por último se tratan también los modelos predictivos del análisis de la varianza y la covarianza.
Author: Cesar Perez Lopez
Publisher: CESAR PEREZ
ISBN: 1716967090
Category : Computers
Languages : en
Pages : 205
Get Book Here
Book Description
En este libro se desarrollarán técnicas de aprendizaje supervisado relativas a regresión. Más concretamente, se profundizará en los modelos lineales de regresión múltiple con toda su problemática de identificación, estimación y diagnosis. Se hace especial hincapié en el tratamiento de la multicolinealidad a través de la Ridge Regression (regresión en cadena) y el método PLS de los mínimos cuadrados parciales. Se dedica una parcela importante del contenido a los modelos de variable dependiente limitada y recuento, con especial mención a los modelos Logit y Probit. Por último se tratan también los modelos predictivos del análisis de la varianza y la covarianza.
Author: César Pérez López
Publisher:
ISBN: 9788419034076
Category :
Languages : es
Pages : 0
Get Book Here
Book Description
El libro está dirigido tanto a alumnos que siguen un Curso de especialización en Inteligencia Artificial y Big Data como a profesionales del sector.Comienza clasificando los sistemas, herramientas, técnicas y algoritmos o modelos aplicados al Aprendizaje Automático. A continuación, se tratan las técnicas de aprendizaje supervisado, sus fases y plataformas, así como los algoritmos y modelos más importantes. Se desarrollan las técnicas de regresión con sus fases de identificación, estimación, validación (diagnosis) y predicción.Se presentan los métodos especiales de regresión como PLS, LARS, LASSO, ELASTIC NET, RANSAC, THEIL, HUBERT, KERNEL RIDGE REGRESSION (KRR), SUPPORT VECTOR REGRESSION (SVR) y STOCHASTIC GRADIENT DESCENDT (SGD) entre otros.Asimismo, se tratan las técnicas de aprendizaje supervisado enfocadas a la clasificación o segmentación como los Modelos Logit y Probit, los Modelos Lineales Generalizados, los Árboles de Decisión, los Modelos de Análisis Discriminante, los Modelos SVM (Support Vector Machine), lo modelos kNN (Vecino más Cercano) y los Modelos SLRM (Respuesta de Autoaprendizaje).Todas las técnicas citadas anteriormente se ilustran con ejemplos y se resuelven con el software de Machine Learning adecuado, incluyendo Python, R, IBM SPSS Modeler y SAS Enterprise Miner.A continuación se abordan las técnicas de aprendizaje no supervisado como la Reducción de la Dimensión mediante Análisis de Componentes Principales y Análisis Factorial. Entre las técnicas de aprendizaje no supervisado para la clasificación y segmentación se desarrolla el Análisis Clúster tanto jerárquico como no jerárquico, algoritmos de detección de anomalías y Reglas de Asociación. Para todas las técnicas se presentan ejemplos significativos que se resuelven con el software más utilizado en estos casos, como R e IBM SPSS Modeler.Finalmente, se profundiza en los Modelos de Redes Neuronales, tanto para técnicas de aprendizaje supervisado como el ajuste de modelos predictivos (Perceptrón Multicapa y Red de Base Radial) como para técnicas de análisis no supervisado como el análisis clúster (Redes de Kohonen). Se desarrollan también las Redes Neuronales Bayesianas y se introducen las técnicas de Deep Learning y las Redes Neuronales Convolucionales. Se presentan ejemplos totalmente resueltos con software visual como es el caso de IBM SPSS Modeler. Se finaliza con las técnicas de valoración y comparación de modelos.
Author: Contreras, Leonardo Emiro
Publisher: Editorial Universidad Distrital Francisco José de Caldas
ISBN: 9587875184
Category : Education
Languages : es
Pages : 260
Get Book Here
Book Description
Las herramientas de aprendizaje automático están siendo muy utilizadas por sus buenas aproximaciones al predecir el rendimiento académico de los estudiantes. Se analiza información de la última década con el objetivo de identificar los factores que influyen sobre el rendimiento académico en el nivel superior, a partir de modelos realizados por medio de técnicas de aprendizaje automático. Se plantea una clasificación en factores académicos, sociodemográficos, de aprendizaje en línea, de gestión académica, psicosocial y de entorno académico. También se identifican los algoritmos más usados en su predicción. Adicionalmente, la detección de las variables que más influyen en el fenómeno permitirá implementar algoritmos de Machine Learning pertenecientes a otras ramas de este campo. Así pues, al ahondar un poco más sobre la aplicación de herramientas de Machine Learning en educación superior, este trabajo servirá a docentes e investigadores que deseen investigar estos temas.
Author: Emilio Soria Olivas
Publisher: Ra-Ma Editorial
ISBN: 8419444987
Category : Computers
Languages : es
Pages : 183
Get Book Here
Book Description
El presente libro tiene una clara vocación didáctica, se dirige a todas las personas que quieren adentrarse en el apasionante campo del aprendizaje automático combinando la teórica con la práctica para que sea sencillo asimilar las explicaciones. En esta obra se revisan los algoritmos más comunes y su implementación en Python. Comienza con una introducción a las claves que han impulsado nuestra sociedad hacia “la era de los datos” y explora cómo, mediante técnicas de aprendizaje automático, obtener partido a la inmensa cantidad de datos que hoy nos rodea. A continuación, se presenta el aprendizaje no supervisado con sus principales algoritmos y usos: agrupamiento, manifolds, reglas de asociación y algoritmos de detección de anomalías. Le sigue el aprendizaje supervisado; partiendo del modelo más simple, modelo lineal multivariante, se llega a las Máquinas de Soporte Vectorial (SVM). Finalmente, finaliza con el aprendizaje profundo (gran parte de lo que denominamos Inteligencia Artificial) donde se explican, de una manera sencilla e intuitiva, los perceptrones multicapa profundos, las redes convolucionales profundas (CNN) y los modelos recurrentes Long Short Term Memory (LSTM). Esta obra contiene numerosas aplicaciones prácticas con su código Python que podrá descargar desde la web del libro. ¿Te lo vas a perder? El libro contiene material adicional que podrá descargar accediendo a la ficha del libro en www.ra-ma.es. Los contenidos adaptados al Curso de Especialización en Inteligencia Artificial y Big Data.
Author: Varios autores
Publisher: Ediciones de la U
ISBN: 958792570X
Category : Computers
Languages : es
Pages : 262
Get Book Here
Book Description
El presente libro tiene una clara vocación didáctica, se dirige a todas las personas que quieren adentrarse en el apasionante campo del aprendizaje automático combinando la teórica con la práctica para que sea sencillo asimilar las explicaciones. En esta obra se revisan los algoritmos más comunes y su implementación en Python. Comienza con una introducción a las claves que han impulsado nuestra sociedad hacia "la era de los datos" y explora cómo, mediante técnicas de aprendizaje automático, obtener partido a la inmensa cantidad de datos que hoy nos rodea. A continuación, se presenta el aprendizaje no supervisado con sus principales algoritmos y usos: agrupamiento, manifolds, reglas de asociación y algoritmos de detección de anomalías. Le sigue el aprendizaje supervisado; partiendo del modelo más simple, modelo lineal multivariante, se llega a las Máquinas de Soporte Vectorial (SVM). Finalmente, analiza con el aprendizaje profundo (gran parte de lo que denominamos Inteligencia Artificial) donde se explican, de una manera sencilla e intuitiva, los perceptrones multicapa profundos, las redes convolucionales profundas (CNN) y los modelos recurrentes. Esta obra contiene numerosas aplicaciones prácticas con su código Python que podrá descargar desde la web del libro.
Author: José Manuel Casas
Publisher: Marcombo
ISBN: 8426738540
Category : Computers
Languages : es
Pages : 223
Get Book Here
Book Description
Aprender acerca de la inteligencia artificial (IA) y hacer realidad sus primeros modelos ahora es más fácil que nunca. Introducción al aprendizaje automático con Orange le guiará en este camino a través de una de las herramientas de software de código abierto más potentes de la actualidad, Orange Data Mining. En este libro encontrará una explicación detallada sobre Orange Data Mining, una plataforma que proporciona un entorno visual y de programación para la exploración, representación gráfica y análisis de datos. A través de un enfoque basado en componentes, este software le permitirá construir flujos de trabajo analíticos personalizados mediante la conexión de diferentes widgets para realizar tareas específicas. Apto para aficionados, curiosos y expertos por igual, este libro no solo cubre los fundamentos de la IA, sino que también le invita a sumergirse en la programación de modelos de IA por su cuenta, aprovechando una comunidad activa que constantemente enriquece Orange con nuevas capacidades y funcionalidades. Gracias a la lectura de este libro: •Aprenderá a usar el entorno de trabajo de Orange. •Comprenderá los principios del análisis de datos y su visualización. •Dominará los conceptos fundamentales del aprendizaje automático. •Será capaz de desarrollar sus propios modelos de inteligencia artificial. Únase a este viaje para explorar, aprender y crear con inteligencia artificial, mientras fomenta la colaboración y la innovación dentro de una comunidad de código abierto en constante crecimiento. Este libro es la puerta de entrada a un mundo donde la tecnología punta está al alcance de su mano. No lo deje escapar, transforme su comprensión de los datos y sus habilidades en IA.
Author: A Vidales
Publisher:
ISBN: 9781696919050
Category :
Languages : es
Pages : 160
Get Book Here
Book Description
Los conjuntos de datos grandes y de alta dimensión son comunes en la era moderna de la instrumentación computarizada y el almacenamiento electrónico de datos. Los datos de alta dimensión presentan muchos desafíos para la visualización, el análisis y el modelado estadístico. La visualización de datos, por supuesto, es imposible más allá de unas pocas dimensiones. Como resultado, el reconocimiento de patrones, el pre procesamiento de datos y la selección de modelos deben basarse en gran medida en métodos numéricos. Las técnicas de aprendizaje automático (Machine Learning) ayudan en estas tareasEl aprendizaje automático utiliza dos tipos de técnicas: el aprendizaje supervisado, que entrena un modelo sobre datos de entrada y salida conocidos para que pueda predecir salidas futuras, y el aprendizaje no supervisado, que encuentra patrones ocultos o estructuras intrínsecas en los datos de entrada.El objetivo del aprendizaje supervisado es construir un modelo que haga predicciones basadas en la evidencia en presencia de incertidumbre. Un algoritmo de aprendizaje supervisado toma un conjunto conocido de datos de entrada y respuestas conocidas a los datos (salida) y entrena un modelo para generar predicciones razonables para la respuesta a nuevos datos. El aprendizaje supervisado utiliza técnicas de clasificación y regresión para desarrollar modelos predictivos (este libro desarrolla técnicas de clasificación).El aprendizaje sin supervisión encuentra patrones ocultos o estructuras intrínsecas en los datos. Se utiliza para extraer inferencias a partir de conjuntos de datos que consisten en datos de entrada sin respuestas etiquetadas. El agrupamiento por clúster es la técnica de aprendizaje no supervisado más común. Se utiliza para el análisis exploratorio de datos para encontrar patrones o agrupaciones ocultos en los datos. Las aplicaciones para la agrupación incluyen el análisis de secuencias genéticas, la investigación de mercado y el reconocimiento de objetos.
Author: Jesús Bobadilla Sancho
Publisher: Ra-Ma Editorial
ISBN: 8499648908
Category : Computers
Languages : es
Pages : 274
Get Book Here
Book Description
Automático (Machine Learning). El objetivo del machine learning es que los sistemas informáticos sean capaces de aprender a partir de los datos, emulando de esta manera las capacidades humanas. El Aprendizaje Profundo (Deep Learning) es el área más prometedora del machine learning. Los modernos sistemas de reconocimiento facial, conducción automática, chatbots, comportamiento de los videojuegos, etc. se llevan a cabo haciendo uso de técnicas de deep learning. En este libro se explican los conceptos más relevantes tanto de machine learning como de deep learning. Ambos bloques se pueden abordar de manera independiente y en cualquier orden. Se aportan multitud de ejemplos programados en Python y explicados desde cero, con gráficos representativos. También se hace uso de las bibliotecas Scikit y Keras. Cualquier lector con conocimientos de programación podrá entender los conceptos y los ejemplos que se exponen en el libro: Regresión Clasificación Clustering Reducción de Dimensionalidad Redes Neuronales Redes Convolucionales (Convolutional Neural Networks) Enriquecimiento de datos (Data Augmentation) Generadores de Datos Aprendizaje por Transferencia (Transfer Learning) Autoencoders Visualización de capas ocultas Aprendizaje Generativo (Generative Learning) El libro contiene material adicional que podrá descargar accediendo a la ficha del libro en www.ra-ma.es
Author: F Marqués
Publisher:
ISBN:
Category :
Languages : es
Pages : 400
Get Book Here
Book Description
En este libro se desarrollarán técnicas de aprendizaje supervisado relativas a regresión lineal y no lineal. Más concretramente, se profundizará en los modelos lineales de regresión múltiple uniecuacionales y multiecuacionales con toda su problemática de identificación, estimación y diagnosis. También se contemplan los modelos dinámicos y los modelos de series temporales univariantes y multivariantes. Se dedica una parcela importante del contenido a los modelos de variable dependiente limitada, recuento y selección muestral, con especial mención a los modelos Logit, Probit y Tobit. Por último se tratan también los modelos predictivos no lineales.
Author: F Marqués
Publisher: Independently Published
ISBN:
Category :
Languages : es
Pages : 0
Get Book Here
Book Description
El objetivo del aprendizaje automático supervisado es construir un modelo que haga predicciones basadas en evidencia en presencia de incertidumbre. Un algoritmo de aprendizaje supervisado toma un conjunto conocido de datos de entrada y respuestas conocidas a los datos (salida) y entrena un modelo para generar predicciones razonables para la respuesta a nuevos datos. El aprendizaje supervisado utiliza técnicas de clasificación y regresión para desarrollar modelos predictivos. En este libro se desarrollan técnicas de Machine Learning de aprendizaje supervisado y se ilustran con ejemplos total resueltos a partir del software adecuado para ello. Se utilizará la plataforma IBM SPSS Modeler ideal para trabajar con herramientas visuales en todas las facetas del Machine Learning.
