Escalando Python con Ray

Capítulo 10. Cómo potencia Ray el aprendizaje automático

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Ahora tienes un sólido conocimiento de todo lo necesario en Ray para preparar tus datos para entrenar modelos ML. En este capítulo, aprenderás a utilizar las populares bibliotecas de Ray scikit-learn, XGBoost y PyTorch. Este capítulo no pretende introducir estas bibliotecas, así que si no estás familiarizado con ninguna de ellas, deberías elegir una (y sugerimos scikit-learn) para leer primero. Incluso para quienes estén familiarizados con estas bibliotecas, será beneficioso refrescar la memoria consultando la documentación de tus herramientas favoritas. Este capítulo trata de cómo se utiliza Ray para potenciar el ML, más que un tutorial sobre ML.

Nota

Si te interesa profundizar en el ML con Ray, Learning Ray de Max Pumperla et al. (O'Reilly) es un libro completo centrado en el ML con Ray que puede ampliar tus conocimientos de ML.

Ray tiene dos bibliotecas integradas para ML. Aprenderás a utilizar la biblioteca de aprendizaje por refuerzo de Ray, RLlib, con TensorFlow y a utilizar el ajuste genérico de hiperparámetros mediante Tune, que puede utilizarse con cualquier biblioteca de ML.

Utilizar scikit-learn con Ray

scikit-learn es una de las herramientas más utilizadas en la comunidad de ML, que ofrece docenas de algoritmos de ML fáciles de usar. Fue desarrollado inicialmente por David Cournapeau como proyecto ...