Aprendizaje automático práctico con Scikit-Learn, Keras y TensorFlow, 3ª edición

Índice

Símbolos

• operador @ (multiplicación de matrices), La ecuación normal
• β(momento), Momento
• Valor γ(gamma), Núcleo RBF gaussiano
• ε (tolerancia), Descenso Gradiente por Lotes, Clases SVM y Complejidad Computacional
• εpolítica codiciosa, Políticas de exploración
• εbarrio, DBSCAN
• εsensible, Regresión SVM
• Prueba χ², Hiperparámetros de regularización
• ℓ₀norma, Selecciona una medida de rendimiento
• ℓ₁ norma, Selecciona una medida de rendimiento
• ℓ₂ norma, Selecciona una medida de rendimiento
• ℓₖnorma, Selecciona una medida de rendimiento

A

• Experimentos A/B, Entrenamiento e Implementación de Modelos TensorFlow a Escala
• k-means acelerado, k-means acelerado y k-means mini-lote
• álgebra lineal acelerada (XLA), funciones y gráficos TensorFlow
• medida del rendimiento de la precisión, ¿Qué es el aprendizaje automático?, Medición de la precisión mediante validación cruzada
• ACF (función de autocorrelación), La familia de modelos ARMA
• ventaja de acción, aprendizaje por refuerzo, Evaluación de Acciones: El problema de la asignación de créditos
• potenciales de acción (PA), neuronas biológicas
• acciones, en el aprendizaje por refuerzo, Aprender a optimizar recompensas, Evaluar acciones: El problema de la asignación de créditos-Evaluaracciones: El problema de la asignación de créditos
• funciones de activación, El Perceptrón, ElPerceptrón Multicapa y la Backpropagación-El Perceptrón Multicapa y la Backpropagación
  • para la capa Conv2D, Implementación de capas convolucionales con Keras
  • Modelos personalizados, Funciones de activación ...