Algoritmos supervisados y de ensamble con python (eBook)

Implementación y estrategia de optimización

Leonardo Contreras, Héctor Fuentes, José Rodríguez (Autoren)

eBook Download: PDF

2024
322 Seiten
Ediciones de la U (Verlag)
978-958-792-761-0 (ISBN)

Infos

El objetivo principal de este libro es proporcionar una visión general sobre cómo el Machine learning y sus técnicas pueden aplicarse para predecir variables numéricas o categóricas en diversos campos del conocimiento.  Además, aborda temas clave para aquellos que desean realizar trabajos o investigaciones que impliquen el análisis de datos, sin tener conocimientos sobre la implementación de algoritmos de clasificación o regresión.
Este texto ofrece una explicación detallada de las técnicas y algoritmos de Machine learning, acompañados de ejemplos de código en Jupyter (Python), que permiten a los lectores sumergirse en este fascinante campo.  Guiará al lector a través de pasos sucesivos y precisos para construir modelos de predicción de variables, ya sean numéricas o categóricas.
Es importante señalar que, si bien algunos contenidos pueden parecer similares a los disponibles en blogs o en internet, este libro ofrece una guía completa y estructurada para comprender y aplicar eficazmente las técnicas de Machine learning.

Autor

LEONARDO EMIRO CONTRERAS BRAVO Ingeniero Mecánico, Magíster ingeniería, PhD. en ingeniería. Docente de planta Universidad Distrital Francisco José de Caldas. Director del Grupo de Investigación en Diseño, Modelamiento y Simulación - DIMSI. Áreas del conocimiento: diseño, manufactura, análisis de datos, aprendizaje automático.  [e-mail] HÉCTOR JAVIER FUENTES LÓPEZ Economista, Magister en Economía, Estudiante de doctorado en Estudios sociales (DES. Docente de planta Universidad Distrital. Grupo de Investigación en Diseño, Modelamiento y Simulación DIMSI. Áreas del conocimiento: Economía, econometría, Geografía económica, estudios sociales y de desarrollo. [e-mail] JOSÉ IGNACIO RODRÍGUEZ MOLANO Ingeniero Industrial, Magister en Ciencias de la Información y las Comunicaciones, Máster en Dirección e Ingeniería de Sitios WEB,  PhD. en ingeniería informática. Docente de planta Universidad Distrital Francisco José de Caldas. Grupo de Investigación en Diseño, Modelamiento y Simulación - DIMSI. Áreas del conocimiento: Hardware y Arquitectura de Computadores, Ingeniería Industrial, Sistemas y Comunicaciones, análisis de datos. [e-mail]

Inhalt

Resumen
Introducción

Capítulo 1. Aprendizaje automático o Machine learning
1.1. Clasificación del aprendizaje automático
1.2. Etapas del proceso de Machine learning
1.2.1. Recopilación de los datos
1.2.2. Procesamiento de los datos
1.2.3. Transformación de los datos
1.2.4. Análisis de características
1.3. Introducción a python mediante scikit-learn
1.3.1. Instalación de Python
1.3.2. Proceso de carga de los datos
1.3.3. Transformación Yeo-Johnson
1.3.4. Selección de características

Capítulo 2. Datos de remuestreo
2.1. Retención de los datos (método aleatorio)
2.2. Validación cruzada K-Fold
2.3. Validación cruzada usando K-fold y método de retención
2.4. Clases desequilibradas o desbalanceadas

Capítulo 3. Datos de remuestreo
3.1. Exactitud
3.4. Especificidad
3.6. Curva roc -auc
3.7. Error Cuadrático Medio (rmse)
3.8. Error Absoluto Medio (Mae)
3.9. R Cuadrado (R2)
3.10. Estrategias para mejorar datos desequilibrados
3.10.1. Sobremuestreo aleatorio (Random Oversampling)
3.10.2. Submuestreo aleatorio (Random Undersampling)

Capítulo 4. Algoritmos supervisados
4.1. Hiperparámetros para supervisados (clasificación)
4.2. Regresión logística
4.3. Análisis Discriminante Lineal (LDA)
4.3.1. Optimizar hiperparámetros para LDA
4.4. Naive Bayes
4.4.1. Optimizar hiperparámetros para Naive Bayes
4.5. K_Vecinos Más Cercanos. Knn (k-nearest neighbor)
4.5.1. Optimizar hiperparámetros para KNN
4.6. Árboles de decisión
4.6.1. Optimizar hiperparámetros para árbol de decisión
4.7. Máquina de Vector de Soporte (SVM)
4.7.1. Optimizar hiperparámetros para SVC
4.8. Hiperparámetros para supervisados (regresión)
4.9. Regresión lineal
4.9.1. Optimizar hiperparámetros para Regresión Lineal
4.10. Regresión Lasso
4.10.1. Optimizar hiperparámetros para Regresión Lasso
4.11. Regresión Ridge
4.11.1. Optimizar hiperparámetros para Regresión Ridge
4.12. Algoritmos para clasificación y regresión
4.12.1. Optimizar hiperparámetros de algoritmos de clasificación/regresión
4.13. Comparativo de resultados de regresión
4.14. Predicción de la variable de salida

Capítulo 5. Algoritmos de ensamble
5.1. Hiperparámetros para ensamble

Capítulo 6. Algoritmos de ensamble: bagging
6.1. Bagging con árboles de decisión
6.1.1. Optimizar hiperparámetros para Bagging con árboles de decisión
6.2. Random Forest
6.2.1. Optimizar hiperparámetros para Bosque aleatorio (Random Forest)
6.3. Extratreesclassifier
6.3.1. Optimizar hiperparámetros para ExtraTreesClassifier

Capítulo 7. Algoritmos de ensamble: boosting
7.1. Adaboost
7.1.1. Optimizar hiperparámetros para AdaBoost
7.2. GBM
7.3. XGBoost
7.3.1. Optimizar hiperparámetros para XGBoost
7.4. CaTBoost
7.4.1. Optimizar hiperparámetros para CatBoost
7.5. Light GBM
7.5.1. Optimizar hiperparámetros para Light GBM
7.6. Predicción de la variable de salida

Capítulo 8. Algoritmos de ensamble: voting

Bibliografía

Produkt-Details

• Erscheint lt. Verlag: 30.8.2024
• Reihe/Serie: Informática
• Verlagsort: Bogotá
• Sprache: spanisch
• Themenwelt: Informatik ► Programmiersprachen / -werkzeuge ► Python
• Schlagworte: algoritmos de ensamble • Algoritmos Supervisados • Algoritmos supervisados y de ensamble con python • cruzada K-Fold • Héctor Javier Fuentes López • Implementación y estrategia de optimización • José Ignacio Rodríguez Molano • Jupyter • Leonardo Emiro Contreras Bravo • machine learning • Python • Regresión Lasso • regresión lineal • Regresión Ridge • scikit-learn
• ISBN-10: 958-792-761-3 / 9587927613
• ISBN-13: 978-958-792-761-0 / 9789587927610