INDICE
-ACERCA DEL AUTOR
-CAPÍTULO 1. INTRODUCCIÓN
1.1 TIPOS DE MACHINE LEARNING
1.2 TRATANDO CON DATOS
1.3 MEDICIÓN DE LA CALIDAD
1.4 MEJORA DEL MODELO.
-CAPÍTULO 2. DATASETS.....
2.1 DATASET DE DIABETES (REGRESIÓN)
2.2 DATASET BOSTON (REGRESIÓN).
2.3 DATASET DE LIRIOS (CLASIFICACIÓN).
2.4 DATASET DE CANCER DE PECHO (CLASIFICACIÓN).
2.5 DATASET DE VINOS (CLASIFICACIÓN)..
2.6 DATASET GENERADO MAKE BLOBS (CLASIFICACIÓN)
2.7 DATASET GENERADO MAKE REGRESSION (REGRESSION)
2.8 DATASET GENERADO MAKE MOONS (CLASIFICACIÓN Y CLUSTERING)
2.9 DATASET MNIST (CLASIFICACIÓN).
2.10 CARAS DE OLIVETTI (CLASIFICACIÓN).
2.10.1 Caras etiquetadas "in the wild": LFW (clasificación)
-CAPÍTULO 3. REGRESIÓN
3.1 MODELOS DE REGRESIÓN
3.1.1 Regresión lineal (desde cero)
3.1.2 Regresión lineal usando Scikit
3.1.3 Regresión Polinómica (desde cero).
3.1.4 Regresión polinomial desde cero (enfoque de gradiente descendente
3.1.5 Regresión de los K vecinos más cercanos (K-Nearest Neighbors o KNN) desde cero.
3.1.6 Regresión por K vecinos más cercanos (KNN) usando librerias Scikit
3.1.7 Regresión Kernel Gaussiana (Gaussian Kernel Regression) desde cero.
3.1.8 Regresión Kernel Gaussiana usando librerias Scikit
3.1.9 Regresión Ridge (forma cerrada)
3.1.10 Ridge Regression usando librerias de Scikit
3.1.11 Regresión Lasso usando librerias de Scikit.
3.1.12 Regresión Elastic Net usando librerias de Scikit
3.2 ANALISIS DE CALIDAD EN LA REGRESIÓN LINEAL
-CAPÍTULO 4. CLASIFICACIÓN
4.1 MODELOS DE CLASIFICACIÓN
4.1.1 Regresión Logistica (Logistic Regression) desde cero
4.1.2 Regresión Logistica (clasificación) usando librerias Scikit...
4.1.3 Clasificación K vecinos más cercanos (K Nearest Neighbours)
4.1.4 Support Vector Machines (SVM) using Scikir libraries
4.1.5 Arboles de Decisión usando librerias de Scikit.
4.1.6 Random Forest usando librerias de Scikit
4.2 ANÁLISIS DE CALIDAD DE LOS MÉTODOS DE CLASIFICACIÓN
-CAPÍTULO 5. CLUSTERING.
5.1 ALGORITMOS DE CLUSTERING
5.1.1 K-Means (K-medias) desde cero.
5.1.2 K means usando las librerías de Scikit.
5.1.3 DBSCAN basado en densidad, desde cero
5.1.4 DBSCAN basado en densidad, usando SCiKit
5.1.5 Clustering Acumulativo (Agglomerative clustering), usando Scikit.
5.2 MEDIDA DE CALIDAD DEL CLUSTERING.
-CAPITULO 6. REDUCCIÓN DE DIMENSIONES.
6.1 FACTORIZACIÓN MATRICIAL USANDO SCIKIT
6.2 ANÁLISIS DE COMPONENTES PRINCIPALES (PCA),
-USANDO SCIKIT
-CAPÍTULO 7. REDES NEURONALES
7.1 LA NEURONA BIOLÓGICA
7.2 LA NEURONA ARTIFICIAL
7.3 APRENDIZAJE HEBBIANO
7.4 EL PERCEPTRÓN
7.5 REDES MULTICAPA Y EL ALGORITMO BACK PROPAGATION.
7.6 DEMOSTRACIÓN DEL ALGORITMO BACK PROPAGATION
-CAPÍTULO 8. CLASIFICACIÓN USANDO REDES NEURONALES.
8.1 CLASIFICACIÓN DEL DATASET MNIST.
8.2 CLASIFICACIÓN DEL DATASET FASHION MNIST.
8.3 CLASIFICACIÓN DEL DATASET CIFAR 100..
-CAPÍTULO 9. REDES CONVOLUCIONALES.
-CONCEPTOS BÁSICOS
-CAPÍTULO 10. CLASIFICACIÓN USANDO REDES CONVOLUCIONALES EN DATASETS SENCILLOS
10.1 CLASIFICACIÓN DEL DATASET MNIST
10.2 CLASIFICACIÓN DEL DATASET CIFAR 100.
10.3 CLASIFICACIÓN DEL DATASET FASHION MNIST.
-CAPÍTULO 11. GENERADORES DE DATOS.
11.1 CLASIFICACIÓN USANDO EL DATASET: DOGS AND CATS
11.2 DATA GENERATORS
-CAPÍTULO 12. ENRIQUECIMIENTO DE DATOS (DATA AUGMENTATION)...
12.1 ENRIQUECIMIENTO DE DATOS. ENFOQUE I.
12.2 ENRIQUECIMIENTO DE DATOS. ENFOQUE II
-CAPÍTULO 13. VISUALIZACIÓN DE LAS CAPAS OCULTAS.
13.1 MAPAS DE ACTIVACIÓN EN EL DATASET 'DOGS AND CATS'
13.2 MAPAS DE ACTIVACIÓN EN EL DATASET MNIST
-CAPÍTULO 14. APRENDIZAJE POR TRANSFERENCIA (TRANSFER LEARNING)
14.1 REUTILIZACIÓN DEL MODELO VGG16.
14.2 REFINADO DEL MODELO VGG16
143 TRANSFER LEARNING EN DOS ETAPAS
-CAPÍTULO 15. AUTOENCODERS.
15.1 AUTOENCODER DE UNA SOLA CAPA...
15.2 AUTOENCODER EN VARIAS CAPAS
15.3 AUTOENCODERS CONVOLUCIONALES
15,4 VISUALIZACIÓN DEL ESPACIO MULTIDIMENSIONAL
-CAPÍTULO 16. APRENDIZAJE GENERATIVO.
-MATERIAL ADICIONAL