El aprendizaje automático está invadiendo el mundo del software. Si quieres entender y trabajar la vanguardia del aprendizaje automático, las redes neuronales y el aprendizaje profundo, esta segunda edición del bestseller Python Machine Learning, es tu libro. Modernizado y ampliado para incluir las tecnologías de código abierto más recientes, como scikit-learn, Keras y TensorFlow, este manual proporciona el conocimiento práctico y las técnicas necesarias para crear eficaces aplicaciones de aprendizaje automático y aprendizaje profundo en Python. El conocimiento y la experiencia únicos de Sebastián Raschka y Vahid Mirjalili presentan los algoritmos de aprendizaje automático y aprendizaje profundo, antes de continuar con temas avanzados en análisis de datos. Combinan los principios teóricos del aprendizaje automático con un enfoque práctico de codificación para una comprensión completa de la teoría del aprendizaje automático y la implementación con Python. Aprenderás a: Explorar y entender los frameworks clave para la ciencia de datos, el aprendizaje automático y el aprendizaje profundo Formular nuevas preguntas sobre datos con modelos de aprendizaje automático y redes neuronales Aprovechar el poder de las últimas librerías de código abierto de Python para aprendizaje automático Dominar la implementación de redes neuronales profundas con la librería de TensorFlow Incrustar modelos de aprendizaje automáticos en aplicaciones web accesibles Predecir resultados objetivos continuos con análisis de regresión Descubrir patrones ocultos y estructuras en datos con agrupamientos Analizar imágenes mediante técnicas de aprendizaje profundo Profundizar en datos de medios sociales y textuales con el análisis de sentimientos

Capítulo 1.Dar a los ordenadores el poder de aprender de los datos
Capítulo 2.Entrenar algoritmos simples de aprendizajes automático para clasificación
Capítulo 3.Un recorrido por los clasificadores de aprendizaje automático con scikit-learn
Capítulo 4.Generar buenos modelos de entrenamiento pre procesamiento de datos 
Capítulo 5.Comprimir datos mediante la reducción de dimensional dad
Capítulo 6.Aprender las buenas prácticas para la evaluación de modelos y el ajuste de
hiperparametros
Capítulo 7.Combinar diferentes modelos para el aprendizaje conjunto
Capítulo 8.Aplicar el aprendizaje automático para el análisis de sentimiento
Capítulo 9.Incrustar un modelo de aprendizaje automático de una aplicación web
Capítulo 10.Prediccion de variables de destino continuas con análisis de regresión
Capítulo 11.Trabajar con datos sin etiquetar: análisis de grupo
Capítulo 12.Inplementar una red neuronal artificial multicapa desde cero
Capítulo 13.Paralelizacion de entrenamiento de redes neuronales con tenso flow
Capítulo 14.Ir más lejos: la mecánica de tensor flow
Capítulo 15.Clasificar imágenes con redes neuronales convolucionales profundas
Capítulo 16.Modelos de datos secuenciales mediante redes neuronales recurrentes
Índice analítico