Vahid Mirjalili - Python Machine Learning

Здесь есть возможность читать онлайн «Vahid Mirjalili - Python Machine Learning» — ознакомительный отрывок электронной книги совершенно бесплатно, а после прочтения отрывка купить полную версию. В некоторых случаях можно слушать аудио, скачать через торрент в формате fb2 и присутствует краткое содержание. Жанр: unrecognised, на испанском языке. Описание произведения, (предисловие) а так же отзывы посетителей доступны на портале библиотеки ЛибКат.

Python Machine Learning: краткое содержание, описание и аннотация

Предлагаем к чтению аннотацию, описание, краткое содержание или предисловие (зависит от того, что написал сам автор книги «Python Machine Learning»). Если вы не нашли необходимую информацию о книге — напишите в комментариях, мы постараемся отыскать её.

El aprendizaje automático está invadiendo el mundo del software. Si quieres entender y trabajar la vanguardia del aprendizaje automático, las redes neuronales y el aprendizaje profundo, esta segunda edición del bestseller Python Machine Learning, es tu libro.
Modernizado y ampliado para incluir las tecnologías de código abierto más recientes, como scikit-learn, Keras y TensorFlow, este manual proporciona el conocimiento práctico y las técnicas necesarias para crear eficaces aplicaciones de aprendizaje automático y aprendizaje profundo en Python.
El conocimiento y la experiencia únicos de Sebastian Raschka y Vahid Mirjalili presentan los algoritmos de aprendizaje automático y aprendizaje profundo, antes de continuar con temas avanzados en análisis de datos.
Combinan los principios teóricos del aprendizaje automático con un enfoque práctico de codificación para una comprensión completa de la teoría del aprendizaje automático y la implementación con Python.
Aprenderás a:
Explorar y entender los frameworks clave para la ciencia de datos, el aprendizaje automático y el aprendizaje profundo
Formular nuevas preguntas sobre datos con modelos de aprendizaje automático y redes neuronales
Aprovechar el poder de las últimas librerías de código abierto de Python para aprendizaje automático
Dominar la implementación de redes neuronales profundas con la librería de TensorFlow
Incrustar modelos de aprendizaje automáticos en aplicacions web accesibles
Predecir resultados objetivos continuos con análisis de regresión
Descubrir patrones ocultos y estructuras en datos con agrupamientos
Analizar imágenes mediante técnicas de aprendizaje profundo
Profundizar en datos de medios sociales y textuales con el análisis de sentimientos

Python Machine Learning — читать онлайн ознакомительный отрывок

Ниже представлен текст книги, разбитый по страницам. Система сохранения места последней прочитанной страницы, позволяет с удобством читать онлайн бесплатно книгу «Python Machine Learning», без необходимости каждый раз заново искать на чём Вы остановились. Поставьте закладку, и сможете в любой момент перейти на страницу, на которой закончили чтение.

Тёмная тема
Сбросить

Интервал:

Закладка:

Сделать
Python Machine Learning - изображение 214 Python Machine Learning - изображение 215 Observa que, de forma similar a la convención que utilizamos en el Capítulo 2, Entrenar algoritmos simples de aprendizaje automático para clasificación, картинка 216se refiere al parámetro del sesgo y es un valor de entrada adicional que proporcionamos ( que es igual a 1 Ahora vamos a mostrar gráficamente la función sigmoide - фото 217) que es igual a 1. Ahora vamos a mostrar gráficamente la función sigmoide para diferentes valores - фото 218

Ahora vamos a mostrar gráficamente la función sigmoide para diferentes valores del rango de -7 a 7 para ver qué aspecto tiene:

>>> import matplotlib.pyplot as plt

>>> import numpy as np

>>> def sigmoid(z):

... return 1.0 / (1.0 + np.exp(-z))

>>> z = np.arange(-7, 7, 0.1)

>>> phi_z = sigmoid(z)

>>> plt.plot(z, phi_z)

>>> plt.axvline(0.0, color='k')

>>> plt.ylim(-0.1, 1.1)

>>> plt.xlabel('z')

>>> plt.ylabel('$\phi (z)$')

>>> # y axis ticks and gridline

>>> plt.yticks([0.0, 0.5, 1.0])

>>> ax = plt.gca()

>>> ax.yaxis.grid(True)

>>> plt.show()

Como resultado de la ejecución del código del ejemplo anterior, deberíamos ver la curva en forma de S (sigmoide):

Podemos ver que se acerca a 1 si z se dirige hacia el infinito puesto - фото 219

Podemos ver que картинка 220se acerca a 1 si z se dirige hacia el infinito ( картинка 221), puesto que картинка 222pasa a ser muy pequeño para los amplios valores de z. De forma parecida, картинка 223se dirige hacia 0 para картинка 224como resultado de un denominador cada vez más grande. Así, llegamos a la conclusión de que la función sigmoide toma valores de números reales como entrada y los transforma en valores del rango [0, 1] con una intercepción en Python Machine Learning - изображение 225.

Para crear una intuición para el modelo de regresión lógica, podemos relacionarlo con el Capítulo 2, Entrenar algoritmos simples de aprendizaje automático para clasificación. En Adaline, utilizamos la función de identidad Python Machine Learning - изображение 226como función de activación. En regresión lógica, esta función de activación simplemente se convierte en la función sigmoide que hemos definido anteriormente. La diferencia entre Adaline y la regresión logística se muestra en la siguiente imagen:

La salida de la función sigmoide se interpreta como la probabilidad de que una - фото 227

La salida de la función sigmoide se interpreta como la probabilidad de que una muestra concreta pertenezca a la clase 1, Python Machine Learning - изображение 228, dadas sus características x parametrizadas por los pesos w. Por ejemplo, si calculamos Python Machine Learning - изображение 229para una muestra de flor en particular, significa que la oportunidad de que esta muestra sea una flor Iris-versicolor es del 0 %. Por lo tanto, la probabilidad de que esta flor sea una Iris-setosa se puede calcular como o 20 La probabilidad predicha se puede simplemente convertir después en un - фото 230o 20 %. La probabilidad predicha se puede, simplemente, convertir después en un resultado binario mediante una función umbral:

Si miramos el gráfico anterior de la función sigmoide este equivale a lo - фото 231

Si miramos el gráfico anterior de la función sigmoide, este equivale a lo siguiente:

De hecho existen muchas aplicaciones en las cuales no solo nos interesan las - фото 232

De hecho, existen muchas aplicaciones en las cuales no solo nos interesan las etiquetas de clase predichas, sino que también la estimación de la probabilidad de la pertenencia a una clase resulta particularmente útil (la salida de la función sigmoide antes de aplicar la función umbral). La regresión logística se utiliza en la previsión meteorológica, por ejemplo, no solo para predecir si lloverá un día en concreto sino también para informar de la posibilidad de lluvia. De forma parecida, la regresión logística se puede utilizar para predecir la posibilidad de que un paciente tenga una enfermedad concreta dados determinados síntomas, razón por la cual goza de una gran popularidad en el campo de la medicina.

Aprender los pesos de la función de coste logística

Ahora que ya has aprendido cómo podemos utilizar el modelo de regresión logística para predecir probabilidades y etiquetas de clase, vamos a hablar brevemente acerca de cómo debemos ajustar los parámetros del modelo, por ejemplo, los pesos w. En el capítulo anterior, definimos la suma de errores cuadráticos de la función de coste de la siguiente manera:

Minimizamos esta función para aprender los pesos w para nuestro modelo de - фото 233

Minimizamos esta función para aprender los pesos w para nuestro modelo de clasificación Adaline. Para explicar cómo podemos derivar la función de coste para la regresión logística, en primer lugar debemos definir la probabilidad L que queremos maximizar al crear un modelo de regresión logística, asumiendo que las muestras individuales de nuestro conjunto de datos son independientes unas de otras. La fórmula es como esta:

A la práctica es más fácil maximizar el logaritmo natural de esta ecuación - фото 234

A la práctica, es más fácil maximizar el logaritmo (natural) de esta ecuación, denominada función de probabilidad logarítmica:

Читать дальше
Тёмная тема
Сбросить

Интервал:

Закладка:

Сделать

Похожие книги на «Python Machine Learning»

Представляем Вашему вниманию похожие книги на «Python Machine Learning» списком для выбора. Мы отобрали схожую по названию и смыслу литературу в надежде предоставить читателям больше вариантов отыскать новые, интересные, ещё непрочитанные произведения.


Отзывы о книге «Python Machine Learning»

Обсуждение, отзывы о книге «Python Machine Learning» и просто собственные мнения читателей. Оставьте ваши комментарии, напишите, что Вы думаете о произведении, его смысле или главных героях. Укажите что конкретно понравилось, а что нет, и почему Вы так считаете.

x