Este libro introduce a aquellos que no son Data Scientists (científicos de datos), ni tienen conocimientos particulares de matemáticas, en la metodología de Machine Learning (Apren­dizaje Automático), sus conceptos, sus principales algoritmos y la implementación de estos en Python usando Scikit-learn.

Comienza con una presentación del Machine Learning y, a conti­nuación, del método CRISP, sobre el que se aborda cada fase y sus diversas etapas. Los primeros capítulos tratan sobre el Business Understanding (conocimiento del negocio), la Data Understanding (compresión de los datos) y la Data Preparation (preparación de los datos). Estos capítulos presentan los análi­sis estadísticos de los conjuntos de datos (datasets) tanto en forma numérica como gráfica, así como las principales técnicas utilizadas para preparar los datos, su función y consejos sobre cómo utilizarlas.

A continuación, se dedican varios capítulos a cada tarea de Machine Learning: la clasificación, la regresión (con el caso es­pecial de la predicción), el clustering (agrupación) y, de forma más general, el aprendizaje no supervisado. Para cada tarea presentada, se detallan sucesivamente los criterios de evalua­ción, los conceptos en los que se basan los principales algorit­mos y su implementación usando Scikit-learn.

Para ilustrar los distintos capítulos, las técnicas y algoritmos pre­sentados se aplican a conjuntos de datos de uso frecuente: Iris (clasificar flores), Boston (prever el precio de venta de pisos) y Titanic (definir la probabilidad de supervivencia de los pasajeros de un barco). El código Python está comentado y puede des­cargarse (en forma de cuadernos Jupyter) a partir del sitio web www.ediciones-eni.com.

Descargas

• Descargar los ejemplos del libro (13 779 Ko)

Introducción

1. ¿Por qué un libro sobre aprendizaje automático?
2. Python y Scikit-learn: razones para elegirlos
3. ¿A quién va dirigido este libro?
4. Organización del libro y elementos que se pueden descargar
5. Datasets utilizados en este libro
   1. 1. Iris de Fisher, 1936
   2. 2. Titanic, 1994
   3. 3. Boston, 1978

Machine Learning: visión general

1. Un poco de vocabulario
2. Las profesiones de los datos
3. El crecimiento del Machine Learning
4. Formas de aprendizaje y tareas de ML
   1. 1. Aprendizaje supervisado
      1. a. Clasificación
      2. b. Clasificación: el caso de las imágenes
      3. c. Regresión
      4. d. Previsión
   2. 2. Aprendizaje no supervisado
      1. a. Clustering (Agrupación)
      2. b. Reducción de dimensiones
      3. c. Sistema de recomendaciones
      4. d. Asociaciones
   3. 3. Aprendizaje por refuerzo
      1. a. Comportamientos
      2. b. Juegos y estrategias
   4. 4. Aprendizaje semisupervisado
   5. 5. IA Generativa
   6. 6. Resumen de las distintas formas de aprendizaje y tareas
5. Metodología CRISP-DM
   1. 1. Visión general
   2. 2. Business Understanding
   3. 3. Data Understanding
      1. a. Identificar el conjunto de datos
      2. b. Describir los campos
      3. c. Estadísticas descriptivas
   4. 4. Data Preparation
   5. 5. Modeling
   6. 6. Evaluación
   7. 7. Deployment

La pila tecnológica en Python

1. Herramientas de la Data Science
   1. 1. Herramientas integradas
   2. 2. El auto ML
   3. 3. Herramientas de desarrollo
2. Lenguaje Python
   1. 1. Presentación
   2. 2. Breve presentación de R
   3. 3. ¿Python o R?
   4. 4. Python 2 frente a Python 3
3. Jupyter
   1. 1. Características de Jupyter
   2. 2. Ventajas de Jupyter para la Data Science
   3. 3. Instalar y usar Jupyter
4. Bibliotecas de Machine Learning
   1. 1. NumPy
   2. 2. Pandas
   3. 3. Matplotlib
   4. 4. Scikit-learn
5. Bibliotecas de Deep Learning

Carga y análisis de datos

1. La fase de Data Understanding
2. Cargar los datos
3. Crear la ficha de identificación del dataset
4. Describir el campo
   1. 1. Gestionar tipos
   2. 2. Detectar datos faltantes
5. Estadísticas descriptivas de los campos
   1. 1. Tipos de datos
   2. 2. Analizar datos numéricos
   3. 3. Graficar datos numéricos
      1. a. Histograma
      2. b. Nube de puntos
      3. c. Gráfico de cajas y bigotes
   4. 4. Analizar datos categoriales
   5. 5. Graficar datos categoriales
   6. 6. Otros datos
   7. 7. Análisis cruzado de datos
      1. a. Entre variables numéricas
      2. b. Entre variables numéricas y una variablecategorial
      3. c. Entre variables categoriales
6. Preparar la siguiente fase

Preparar datos

1. Fase de Data Preparation
2. Suprimir datos
   1. 1. Suprimir columnas
   2. 2. Suprimir registros
3. Separar datasets
   1. 1. Proporción Entrenamiento/Prueba
   2. 2. Separar aleatoriamente
   3. 3. Separar estratificando
4. Tratar los datos faltantes
5. Preparar atributos numéricos
   1. 1. Validar datos
      1. a. Validar semánticamente los datos
      2. b. Validar estadísticamente los datos
   2. 2. Feature Engineering
   3. 3. Discretizar
      1. a. Intervalos iguales
      2. b. Desglosar por cuartiles
      3. c. Distribuir manualmente
   4. 4. Normalizar
      1. a. Normalización mínimo-máximo
      2. b. Normalización estándar
      3. c. Normalización robusta
      4. d. Comparación
6. Preparar variables categoriales
   1. 1. Validar datos
   2. 2. Modificar categorías
      1. a. Ordenar o reordenar categorías
      2. b. Modificar la lista de categorías
   3. 3. Cuantificar
7. Datos particulares
   1. 1. Preparar las fechas
      1. a. El formato datetime64
      2. b. Extraer componentes
      3. c. Gestionar diferencias
   2. 2. Preparar cadenas de caracteres
      1. a. Preparar las cadenas
      2. b. Buscar en cadenas
      3. c. Extraer subcadenas
      4. d. Otros métodos
8. Automatizar la preparación
   1. 1. Crear pipelines de tratamiento
   2. 2. Parámetros de las operaciones y códigoPandas
   3. 3. Pipelines usando Scikit-learn
      1. a. Crear un transformer
      2. b. Uso de transformer
      3. c. Desventajas de Scikit-learn
   4. 4. Otras posibilidades

Modelizar y evaluar

1. Fase de modeling
2. Crear un conjunto de validación
3. Preparar el dataset
   1. 1. Dataset Iris
   2. 2. Dataset Titanic
   3. 3. Dataset Boston
4. Crear modelos
   1. 1. Proceso iterativo
   2. 2. Crear un modelo en Scikit-learn
   3. 3. Evaluar un modelo
   4. 4. Validación cruzada
   5. 5. Guardar y cargar un modelo
5. Puesta a punto de los modelos (fine-tuning)
   1. 1. Optimizar los hiperparámetros
   2. 2. Aplicar en Scikit-learn
   3. 3. Sobreajuste y subajuste
6. Métodos de ensamble
   1. 1. Bagging
   2. 2. Boosting
   3. 3. Stacking

Algoritmos de clasificación

1. La tarea de clasificar
   1. 1. Definición
   2. 2. Ejemplos de casos prácticos
   3. 3. Preparar específicamente los datos
2. Evaluar los modelos
   1. 1. Matrices de confusión
      1. a. EL caso de la Clasificación binaria
      2. b. Clasificación multiclase
   2. 2. Indicadores derivados de la matriz de confusión
      1. a. Accuracy
      2. b. Sensibilidad y precisión
      3. c. F1-score
      4. d. Sensibilidad y especificidad
   3. 3. Curva ROC y AUC
      1. a. Predicción y probabilidad
      2. b. Tasas de verdaderos y falsos positivos
      3. c. Curva ROC
      4. d. Área Bajo la Curva (AUC)
   4. 4. Elegir los indicadores de evaluación
3. Árboles de decisión y algoritmos derivados
   1. 1. Árboles de decisión
      1. a. Salir del árbol
      2. b. Elegir el punto de corte
      3. c. Criterios de parada
      4. d. Usar el árbol
   2. 2. Random Forests
   3. 3. XGBoost (eXtreme Gradient Boosting)
4. K-Nearest Neighbors
5. Logistic Regression
   1. 1. Regresión logística binaria
   2. 2. Regresión logística politómica
   3. 3. Aplicar usando Scikit-learn
6. Naive Bayes
   1. 1. Principio general
   2. 2. Calcular diferentes probabilidades
   3. 3. Aplicar usando Scikit-learn
7. Support Vector Machine
   1. 1. Presentación general
      1. a. Margen y soporte vectorial
      2. b. Kernels
      3. c. Ventajas
   2. 2. Aplicar usando Scikit-learn

Algoritmos de regresión

1. La tarea de regresión
   1. 1. Definición
   2. 2. Ejemplos de casos prácticos
   3. 3. Preparar específicamente los datos
2. Entrenar y evaluar modelos
   1. 1. Noción de error
   2. 2. Indicadores derivados de la medición de errores
      1. a. Error absoluto medio
      2. b. Error cuadrático medio
      3. c. Raíz del error cuadrático medio
      4. d. Coeficiente de determinación y varianza explicativa
      5. e. Otros indicadores
   3. 3. Elegir los indicadores de evaluación
3. Usar algoritmos de clasificación
   1. 1. Principio general
   2. 2. Árboles de decisión y algoritmosderivados
      1. a. Árboles de decisión
      2. b. Random Forest
      3. c. XGBoost
   3. 3. K-plus Nearest Neighbors (KNN)
   4. 4. Support Vector Machine (SVM)
4. Regresión lineal y variantes
   1. 1. Regresión lineal
   2. 2. Aplicar en Scikit-learn
   3. 3. El problema de la colinealidad
   4. 4. Ridge Regression
   5. 5. Lasso Regression
5. Regresión polinómica
   1. 1. Principio
   2. 2. Regresión polinómica y Scikit-learn
6. Caso especial de la predección
   1. 1. Predección y series temporales
   2. 2. Preparar datos
   3. 3. Aplicar en Scikit-learn
   4. 4. Usar modelos específicos
      1. a. Limitar el enfoque de la regresión lineal
      2. b. Algoritmos dedicados a las series temporales

Algoritmos de aprendizaje no supervisado

1. Tareas de aprendizaje no supervisado
2. Clustering
   1. 1. Definición
   2. 2. Ejemplos de casos prácticos
   3. 3. Algoritmos basados en la distancia
      1. a. Principio del algoritmo K-Medias
      2. b. Implementar usando Scikit-learn
      3. c. Variantes del algoritmo K-Means
   4. 4. Algoritmos basados en la densidad
      1. a. Principio general
      2. b. Implementar DBSCAN en Scikit-learn
      3. c. Variante de DBSCAN: OPTICS
3. Reducir dimensiones
   1. 1. Definición
   2. 2. Ejemplos de casos prácticos
   3. 3. Detectar los ejes principales
   4. 4. Crear nuevos ejes
      1. a. Principal Component Analysis (PCA)
      2. b. Linear Discriminant Analysis (LDA)
4. Sistema de recomendación
   1. 1. Definición
   2. 2. Principales enfoques
      1. a. Modelos basados en la popularidad (Popularity-basedFiltering)
      2. b. Modelos basados en el contenido (Content-based Filtering))
      3. c. Modelos basados en otros usuarios (Collaborative Filtering)
      4. d. Métodos híbridos
5. Association
   1. 1. Definición
   2. 2. Evaluar algoritmos
      1. a. Soporte
      2. b. Índice de confianza
      3. c. Lift
   3. 3. Algoritmo «APriori»
      1. a. Paso 1: Realizar recuento de los grupos
      2. b. Paso 2: Crear y probar reglas

Evaluación y despliegue

1. Fase de evaluación
   1. 1. Principio general
   2. 2. Evaluación empresarial de los resultados
   3. 3. Revisar el proceso
   4. 4. Próximos pasos
2. Fase de despliegue
   1. 1. Planificar el despliegue
   2. 2. Supervisión y mantenimiento
   3. 3. Informe final y documentación
3. Despliegue y MLOps
   1. 1. Comentarios sobre DevOps
   2. 2. Aparición de MLOps
   3. 3. Tareas cubiertas por MLOps
   4. 4. Criterios de selección

Conclusión

1. Machine Learning, una habilidad clave
2. Llevar un proyecto hasta el final
3. Más allá de la metodología
4. Experimentar y la experiencia
5. Más información