000			04245nam a2200397 i 4500
001			36387
003			CO-SiCUC
005			20240919114559.0
007			ta
008			240919s2023 ck da g 000 0 spa d
020			_a9789587788891
035			_a(CO-SiCUC) 36387
040			_aCO-SiCUC _bspa _cCO-SiCUC _dCO-SiCUC _erda
041	0		_aspa
082	0	4	_a006.31 _bR223m 2023 _223
100	1		_aRaschka, Sebastian. _4aut _eautor _965187
245	1	0	_aMachine learning con pytorch y scikit-learn : _bdesarrollo de modelos de machine learning y deep learning con python / _cSebastian Raschka, Yuxi (Hayden) Liu y Vahid Mirjalili ; prólogo, Dmytro Dzhulgakov.
250			_aPrimera edición.
264		1	_aBogotá : _bMarcombo : Alpha Editorial, _c2023.
300			_axxvii, 771 páginas : _bgráficas, ilustraciones ; _c24 cm
336			_2rdacontent _atexto _btxt
337			_2rdamedia _asin mediación _bn
338			_2rdacarrier _avolumen _bnc
490	0		_aPython Machine Learning
490	0		_aVisión de Expertos
505	1		_a1. Dotar a los ordenadores de la capacidad de aprender de los datos. -- 2. Entrenamiento de algoritmos sencillos de aprendizaje automático para tareas de clasificación. -- 3. Un recorrido por los clasificadores de aprendizaje automático con Scikit-learn. -- 4. Elaboración de conjuntos de datos de entrenamiento adecuados: preprocesamiento. -- 5. Comprensión de datos mediante la reducción de la dimensionalidad. -- 6. Aprendizaje de las mejores prácticas para la evaluación de modelos y el ajuste de hiperparámetros. -- 7. Combinación de diferentes modelos para el aprendizaje de conjunto. -- 8. Aplicación del aprendizaje automático al análisis de opiniones. -- 9. Pronóstico de variables objetivo continuas con análisis de regresión. -- 10. El trabajo con datos no etiquetados: análisis de clustering. -- 11. Implementación de una red neuronal artificial multicapa desde cero. -- 12. Paralelización de redes neuronales con PyTorch. -- 13. Profundización: La mecánica de PyTorch. -- 14. Clasificación de imágenes con redes neuronales convolucionales profundas. -- 15. Modelado de datos secuenciales mediante redes neuronales recurrentes. -- 16. Transformadores: mejora del procesamiento del lenguaje natural con mecanismos de atención. -- 17. Redes generativas antagónicas con las que sintetizar nuevos datos. -- 18. Redes neuronales de grafos para captar las dependencias en datos estructurados en grafos. -- 19. Aprendizaje reforzado para la toma de decisiones.
520	3		_aEn los últimos años, los métodos de Machine Learning (en castellano, aprendizaje automático), con su capacidad para dar sentido a grandes cantidades de datos y automatizar decisiones, han encontrado amplias aplicaciones en la sanidad, la robótica, la biología, la física, los productos de consumo, los servicios de Internet y otros sectores. Los saltos de gigante en la ciencia suelen provenir de una combinación de ideas poderosas y grandes herramientas. El aprendizaje automático no es una excepción. El éxito de los métodos de aprendizaje basados en datos se debe a las ingeniosas ideas de miles de investigadores con talento a lo largo de los 60 años de historia en este campo. Pero su reciente popularidad también se debe a la evolución de las soluciones de hardware y software que los hacen escalables y accesibles. El ecosistema de excelentes librerías para la computación numérica, el análisis de datos y el aprendizaje automático creadas en torno a Python, como NumPy y Scikit-learn, ha conseguido una amplia acogida en la investigación y la industria. Esto ha contribuido en gran medida a que Python sea el lenguaje de programación más popular. _cRecuperado de: https://www.alpha-editorial.com/Papel/9789587788891/Machine+Learning+Con+Pytorch+Y+Scikit-Learn
590			_aIngeniería de Sistemas
650	1	7	_aPython _xLenguaje de programación de computadores _2armarc. _948755
650	1	4	_aAutomatización de datos. _965188
650	1	7	_aLenguaje de programación _2armarc. _9291
700	1		_aLiu, Yuxi (Hayden). _4aut _eautor _965189
700	1		_aMirjalili, Vahid. _4aut _eautor _965190
700	1		_aDzhulgakov, Dmytro. _4pról _eprólogo _965191
942			_2ddc _cBK
999			_c36387 _d36387