book

Recetario de Aprendizaje Automático con Python, 2ª Edición

by Kyle Gallatin, Chris Albon

September 2024

Intermediate to advanced

416 pages

8h 38m

Spanish

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

Convenciones utilizadas en este libroUtilizar ejemplos de códigoAprendizaje en línea O'ReillyCómo contactar con nosotrosAgradecimientos
1.0. Introducción1.1. Crear un vector1.2. Crear una matriz1.3. Crear una matriz dispersa1.4. Preasignación de matrices NumPy1.5. Seleccionar elementos1.6. Describir una matriz1.7. Aplicar funciones sobre cada elemento1.8. Encontrar los valores máximo y mínimo1.9. Cálculo de la media, la varianza y la desviación típica1.10. Remodelación de matrices1.11. Transponer un vector o una matriz1.12. Aplanar una matriz1.13. Hallar el rango de una matriz1.14. Obtener la diagonal de una matriz1.15. Cálculo de la traza de una matriz1.16. Cálculo de productos escalares1.17. Suma y resta de matrices1.18. Multiplicación de matrices1.19. Invertir una matriz1.20. Generar valores aleatorios
2.0. Introducción2.1. Cargar un conjunto de datos de muestra2.2. Crear un conjunto de datos simulados2.3. Cargar un archivo CSV2.4. Cargar un fichero Excel2.5. Cargar un archivo JSON2.6. Cargar un archivo parquet2.7. Cargar un archivo Avro2.8. Consultar una base de datos SQLite2.9. Consultar una base de datos SQL remota2.10. Cargar datos de una hoja de Google2.11. Cargar datos desde un cubo de S32.12. Cargar datos no estructurados
3.0. Introducción3.1. Crear un marco de datos3.2. Obtener información sobre los datos3.3. Rebanar DataFrames3.4. Seleccionar filas según condiciones3.5. Ordenar valores3.6. Sustitución de valores3.7. Cambiar el nombre de las columnas3.8. Hallar el Mínimo, el Máximo, la Suma, la Mediay el Recuento3.9. Encontrar valores únicos3.10. Tratamiento de los valores perdidos3.11. Borrar una columna3.12. Borrar una fila3.13. Eliminar filas duplicadas3.14. Agrupar filas por valores3.15. Agrupar filas por tiempo3.16. Operaciones de agregación y estadísticas3.17. Hacer un bucle sobre una columna3.18. Aplicar una función a todos los elementos de una columna3.19. Aplicar una función a grupos3.20. Concatenar marcos de datos3.21. Fusionar DataFrames
4.0. Introducción4.1. Reescalar una característica4.2. Normalizar una característica4.3. Normalizar las observaciones4.4. Generar características polinómicas y de interacción4.5. Funciones de transformación4.6. Detección de valores atípicos4.7. Manejo de valores atípicos4.8. Funciones de discretización4.9. Agrupar observaciones mediante agrupación4.10. Borrar observaciones con valores perdidos4.11. Imputar valores perdidos
5.0. Introducción5.1. Codificación de rasgos categóricos nominales5.2. Codificación de rasgos categóricos ordinales5.3. Codificación de diccionarios de rasgos5.4. Imputar valores de clase perdidos5.5. Manejo de clases desequilibradas
6.0. Introducción6.1. Texto de limpieza6.2. Análisis sintáctico y limpieza de HTML6.3. Eliminar signos de puntuación6.4. Tokenizar texto6.5. Eliminar palabras vacías6.6. Palabras derivadas6.7. Etiquetar partes de la oración6.8. Realizar el Reconocimiento de Entidades Nombradas6.9. Codificar el texto como una bolsa de palabras6.10. Ponderación de la importancia de las palabras6.11. Utilizar vectores de texto para calcular la similitud textual en una consulta de búsqueda6.12. Utilizar un clasificador de análisis de sentimiento
7.0. Introducción7.1. Convertir cadenas en fechas7.2. Manejo de zonas horarias7.3. Seleccionar fechas y horas7.4. Descomponer los datos de fecha en varias funciones7.5. Cálculo de la diferencia entre fechas7.6. Codificación de los días de la semana7.7. Crear una característica retardada7.8. Utilizar ventanas temporales móviles7.9. Tratamiento de los datos perdidos en las series temporales
8.0. Introducción8.1. Carga de imágenes8.2. Guardar imágenes8.3. Cambiar el tamaño de las imágenes8.4. Recortar imágenes8.5. Difuminar imágenes8.6. Enfocar imágenes8.7. Aumentar el contraste8.8. Aislar colores8.9. Binarizar imágenes8.10. Eliminar fondos8.11. Detección de perímetros8.12. Detección de esquinas8.13. Crear características para el aprendizaje automático8.14. Codificar histogramas de color como características8.15. Utilizar incrustaciones preentrenadas como características8.16. Detectar objetos con OpenCV8.17. Clasificar imágenes con Pytorch
9.0. Introducción9.1. Reducción de rasgos mediante componentes principales9.2. Reducción de funciones cuando los datos son linealmente inseparables9.3. Reducir rasgos maximizando la separabilidad de clases9.4. Reducción de rasgos mediante factorización matricial9.5. Reducción de rasgos en datos dispersos

10.0. Introducción10.1. Umbral de la varianza de las características numéricas10.2. Varianza de rasgos binarios con umbral10.3. Manejar rasgos muy correlacionados10.4. Eliminar rasgos irrelevantes para la clasificación10.5. Eliminar características recursivamente
11.0. Introducción11.1. Validación cruzada de modelos11.2. Crear un modelo de regresión de referencia11.3. Crear un modelo de clasificación de referencia11.4. Evaluación de las predicciones del clasificador binario11.5. Evaluación de los umbrales del clasificador binario11.6. Evaluación de las predicciones del clasificador multiclase11.7. Visualizar el rendimiento de un clasificador11.8. Evaluación de los modelos de regresión11.9. Evaluación de los modelos de agrupación11.10. Crear una métrica de evaluación personalizada11.11. Visualización del efecto del tamaño del conjunto de entrenamiento11.12. Crear un informe de texto de métricas de evaluación11.13. Visualizar el efecto de los valores de los hiperparámetros
12.0. Introducción12.1. Seleccionar los mejores modelos mediante la búsqueda exhaustiva12.2. Selección de los mejores modelos mediante la búsqueda aleatoria12.3. Seleccionar los mejores modelos a partir de múltiples algoritmos de aprendizaje12.4. Seleccionar los mejores modelos en el preprocesamiento12.5. Acelerar la selección de modelos con la paralelización12.6. Acelerar la selección de modelos utilizando métodos específicos para cada algoritmo12.7. Evaluación del rendimiento tras la selección del modelo
13.0. Introducción13.1. Ajustar una línea13.2. Manejar los efectos interactivos13.3. Ajustar una relación no lineal13.4. Reducir la varianza con regularización13.5. Reducción de rasgos con regresión Lasso
14.0. Introducción14.1. Entrenamiento de un clasificador de árbol de decisión14.2. Entrenar un regresor de árbol de decisión14.3. Visualizar un modelo de árbol de decisión14.4. Entrenamiento de un clasificador Random Forest14.5. Entrenamiento de un regresor de Random Forest14.6. Evaluación de los bosques aleatorios con errores fuera de la bolsa14.7. Identificación de rasgos importantes en los bosques aleatorios14.8. Selección de características importantes en los bosques aleatorios14.9. Manejar clases desequilibradas14.10. Controlar el tamaño del árbol14.11. Mejorar el rendimiento mediante el refuerzo14.12. Entrenar un modelo XGBoost14.13. Mejorar el rendimiento en tiempo real con LightGBM
15.0. Introducción15.1. Encontrar los vecinos más próximos de una observación15.2. Crear un clasificador K-Primeros vecinos15.3. Identificar el mejor tamaño de barrio15.4. Crear un clasificador basado en el radio del vecino más próximo15.5. Encontrar vecinos próximos aproximados15.6. Evaluación de los vecinos más próximos aproximados
16.0. Introducción16.1. Entrenamiento de un clasificador binario16.2. Entrenar un clasificador multiclase16.3. Reducir la varianza mediante la regularización16.4. Entrenar un clasificador con datos muy grandes16.5. Manejar clases desequilibradas
17.0. Introducción17.1. Entrenar un clasificador lineal17.2. Manejo de clases linealmente inseparables mediante núcleos17.3. Crear probabilidades previstas17.4. Identificar los vectores de apoyo17.5. Manejar clases desequilibradas
18.0. Introducción18.1. Entrenar un clasificador para características continuas18.2. Entrenamiento de un clasificador para características discretas y de recuento18.3. Entrenamiento de un clasificador Bayes ingenuo para características binarias18.4. Calibrar las probabilidades previstas
19.0. Introducción19.1. Agrupación mediante K-Means19.2. Acelerar la agrupación K-Means19.3. Agrupación mediante desplazamiento medio19.4. Agrupación mediante DBSCAN19.5. Agrupación mediante fusión jerárquica
20.0. Introducción20.1. Crear un tensor20.2. Crear un tensor desde NumPy20.3. Crear un tensor disperso20.4. Seleccionar elementos en un tensor20.5. Describir un tensor20.6. Aplicación de operaciones a elementos20.7. Encontrar los valores máximo y mínimo20.8. Remodelación de tensores20.9. Transponer un tensor20.10. Aplanar un tensor20.11. Cálculo de productos de puntos20.12. Multiplicación de tensores
21.0. Introducción21.1. Utilizar Autograd con PyTorch21.2. Preprocesamiento de datos para redes neuronales21.3. Diseñar una red neuronal21.4. Entrenar un clasificador binario21.5. Entrenar un clasificador multiclase21.6. Entrenar un regresor21.7. Hacer predicciones21.8. Visualizar el historial de entrenamiento21.9. Reducir el sobreajuste con la regularización del peso21.10. Reducir el sobreajuste con la parada anticipada21.11. Reducir el sobreajuste con el abandono21.12. Guardar el progreso del entrenamiento con modelos21.13. Ajuste de las redes neuronales21.14. Visualización de redes neuronales
22.0. Introducción22.1. Entrenamiento de una red neuronal para la clasificación de imágenes22.2. Entrenar una red neuronal para la clasificación de textos22.3. Ajuste fino de un modelo preentrenado para la clasificación de imágenes22.4. Ajuste fino de un modelo preentrenado para la clasificación de textos
23.0. Introducción23.1. Guardar y cargar un modelo scikit-learn23.2. Guardar y cargar un modelo TensorFlow23.3. Guardar y cargar un modelo PyTorch23.4. Servir modelos de scikit-learn23.5. Servir modelos TensorFlow23.6. Servir modelos PyTorch en Seldon

Content preview from Recetario de Aprendizaje Automático con Python, 2ª Edición

Capítulo 23. Guardar, cargar y servirmodelos entrenados

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

23.0 Introducción

En los últimos 22 capítulos y alrededor de 200 recetas, hemos visto cómo tomar datos sin procesar y utilizar el aprendizaje automático para crear modelos predictivos de buen rendimiento. Sin embargo, para que todo nuestro trabajo merezca la pena, al final necesitamos hacer algo con nuestro modelo, como integrarlo en una aplicación de software existente. Para lograr este objetivo, necesitamos poder guardar nuestros modelos después del entrenamiento, cargarlos cuando los necesite una aplicación y, a continuación, hacer peticiones a esa aplicación para obtener predicciones.

Los modelos de ML se suelen implementar en servidores web sencillos y se diseñan para tomar datos de entrada y devolver predicciones. Esto hace que el modelo esté disponible para cualquier cliente en la misma red, de modo que otros servicios (como UIs, usuarios, etc.) puedan utilizar el modelo ML para hacer predicciones dondequiera que estén en tiempo real. Un ejemplo de caso de uso sería utilizar ML para la búsqueda de artículos en un sitio web de comercio electrónico, donde se serviría un modelo ML que toma datos sobre usuarios y listados, y devuelve una probabilidad de que el usuario compre ese listado. Los resultados de la búsqueda tienen que estar disponibles en tiempo real y a disposición de la aplicación de comercio ...