Machine Learning con PyTorch y Scikit-Learn

Si busca un manual de referencia sobre Machine Learning y Deep Learning con PyTorch, ha llegado al libro indicado. En él se explica paso a paso cómo construir sistemas de aprendizaje automático con éxito.
Mientras que en algunos libros solo se enseña a seguir instrucciones, en este descubrirá los principios para crear modelos y aplicaciones por sí mismo. Encontrará multitud de explicaciones claras, visualizaciones y ejemplos, y aprenderá en profundidad todas las técnicas esenciales de Machine Learning.
Actualizado para ocuparse de Machine Learning utilizando PyTorch, este libro también presenta las últimas incorporaciones a Scikit-Learn. Además, trata varias técnicas de Machine Learning y Deep Learning para la clasificación de textos e imágenes. Con este libro, también aprenderá sobre las redes generativas antagónicas (GAN), útiles para generar nuevos datos y entrenar agentes inteligentes con aprendizaje reforzado.
Por último, esta edición incluye las últimas tendencias en Machine Learning, como las introducciones a las redes neuronales de grafos y transformadores a gran escala utilizados para el procesamiento del lenguaje natural (NLP).
Sin duda, tanto si es un desarrollador de Python neófito en Machine Learning como si desea profundizar en los últimos avances, este libro de PyTorch será su gran aliado en el aprendizaje automático con Python.

«Estoy seguro de que este libro le resultará muy valioso, tanto por ofrecer una visión general del apasionante campo de Machine Learning, como por ser un tesoro de conocimientos prácticos. Espero que le inspire a aplicar Machine Learning para lograr un mayor beneficio, sea cual sea su problemática»

Gracias a esta lectura:
•Explorará marcos de trabajo, modelos y técnicas para que las máquinas «aprendan» de los datos
•Empleará Scikit-Learn para Machine Learning y PyTorch para Deep Learning
•Entrenará clasificadores de Machine Learning en imágenes, texto, etc.
•Creará y entrenará redes neuronales, transformadores y redes neuronales gráficas
•Descubrirá las mejores prácticas para evaluar y ajustar los modelos
•Pronosticará los resultados de elementos continuos utilizando el análisis de regresión
•Profundizará en los datos textuales y de las redes sociales mediante el análisis de sentimiento