El aprendizaje automático (Machine Learning) es un campo amplio que abarca desde estadística clásica hasta redes neuronales profundas. La genialidad del enfoque de Géron radica en su estructura dual:
A diferencia de otros textos que se centran excesivamente en la teoría matemática, este libro vive bajo la filosofía del título: "Hands-On" (Práctico). Aprenderás conceptos escribiendo código desde el primer capítulo. El aprendizaje automático (Machine Learning) es un campo
pip install scikit-learn pandas numpy matplotlib seaborn A diferencia de otros textos que se centran
Resumen ejecutivo
Este documento presenta una guía compacta y práctica para aprender Machine Learning utilizando Scikit-learn, Keras y TensorFlow. Cubre conceptos fundamentales, flujo de trabajo típico, ejemplos de código, comparaciones entre bibliotecas, recursos de aprendizaje y cómo descargar modelos y materiales asociados. activation='softmax')
])
model.compile(optimizer='adam'
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
pipe = Pipeline([
('scaler', StandardScaler()),
('clf', RandomForestClassifier(random_state=42))
])
param_grid = 'clf__n_estimators': [100, 200], 'clf__max_depth': [None, 10, 20]
search = GridSearchCV(pipe, param_grid, cv=5, scoring='accuracy')
search.fit(X_train, y_train)
print(search.best_score_, search.best_params_)
conda activate ml_curso
from tensorflow import keras model = keras.Sequential([ keras.layers.Dense(64, activation='relu', input_shape=(64,)), keras.layers.Dense(10, activation='softmax') ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
conda create -n ml_curso python=3.9