• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Reseña: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlowReseña:

julio 4, 2023 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

Hands-On Machine Learning

Hands-On Machine Learning de Aurélien Géron es un libro de referencia en el campo del aprendizaje automático. Cubre una amplia gama de técnicas y algoritmos empleados en el desarrollo de soluciones de aprendizaje automático. El autor es una referencia dentro de la industria y ha creado un recurso valioso tanto para principiantes como para profesionales experimentados.

* En este artículo, nuestras recomendaciones son el resultado una evaluación rigurosa e independiente. Algunos enlaces incluidos en el texto son enlaces de afiliados, lo que significa que podemos recibir una comisión si decides realizar una compra a través de ellos. Esta comisión no afecta de ninguna manera a nuestra selección de productos ni influye en nuestra opinión sobre los mismos.

La tercera edición del libro se ha publicado recientemente, en noviembre de 2022, por lo que se encuentra bastante actualizada. Existen una traducción al español que se titula “Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow” y puede ser un recurso de gran interés para aquellos que prefieren leer el texto en su idioma.

El libro está dividido en dos partes. En la primera parte se centra en el aprendizaje automático con Scikit-Learn, una de las bibliotecas de aprendizaje automático más populares y utilizadas. La segunda parte se centra en el aprendizaje profundo y redes neuronales utilizando Keras y TensorFlow, dos de las bibliotecas de aprendizaje profundo más importantes y ampliamente adoptadas.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

A lo largo del libro, Géron usa un enfoque práctico y “aprender haciendo”, proporcionando ejemplos de código y ejercicios para ayudar a los lectores a comprender y aplicar conceptos y algoritmos en casos reales. Además, Géron presenta una explicación clara y accesible de los fundamentos teóricos detrás de cada técnica y algoritmo, lo que permite a los lectores desarrollar una sólida comprensión de los principios clave del aprendizaje automático y cómo se aplican en la práctica.

Parte I: Aprendizaje automático con Scikit-Learn

La primera parte del libro proporciona una introducción al aprendizaje automático y al proceso de construcción de un modelo de aprendizaje automático. Géron presenta una descripción general de los principales tipos de aprendizaje automático, incluyendo aprendizaje supervisado y no supervisado, así como una discusión sobre cómo elegir el algoritmo y la métrica adecuados para un problema específico.

A continuación, Géron presenta una serie de técnicas y algoritmos de aprendizaje automático comunes y cómo implementarlos utilizando Scikit-Learn. Incluyendo regresión lineal, árboles de decisión, máquina de soporte vectorial (SVM), k-means, análisis de componentes principales (PCA) entre otras. Para cada técnica, Géron proporciona una explicación clara de cómo funciona, cómo se puede utilizar en problemas reales y cómo se puede implementar mediante Scikit-Learn.

Además de las técnicas de aprendizaje automático, Géron también cubre otros aspectos importantes del proceso de construcción de un modelo de aprendizaje automático, como la preparación de datos, la ingeniería de características, la selección de modelos y la evaluación del rendimiento. Estos temas se cubren en profundidad y con ejemplos prácticos que muestran cómo se pueden aplicar en el contexto de un proyecto de aprendizaje automático real.

Parte II: Aprendizaje profundo con Keras y TensorFlow

La segunda parte del libro se centra en el aprendizaje profundo y las redes neuronales, una subárea del aprendizaje automático que se ha vuelto cada vez más popular.

Géron presenta una introducción a las redes neuronales y cómo funcionan, seguido de una discusión sobre cómo construir y entrenar redes neuronales utilizando Keras y TensorFlow. El libro cubre varios tipos de redes neuronales, como las redes neuronales artificiales (ANN), redes neuronales convolucionales (CNN) y redes neuronales recurrentes (RNN), y cómo se pueden aplicar en diferentes tipos de problemas de aprendizaje automático.

Además de las redes neuronales, Géron también cubre otras técnicas y conceptos de aprendizaje profundo, como la regularización, el aprendizaje por transferencia, el ajuste de hiperparámetros y la optimización de la arquitectura de una red neuronal. Estos temas se exploran en detalle y se proporcionan ejemplos prácticos y ejercicios para ayudar a los lectores a entender y aplicar estas técnicas en sus propios proyectos de aprendizaje profundo.

A lo largo de la segunda parte del libro, Géron enfatiza la importancia de comprender las limitaciones y los desafíos asociados con el aprendizaje profundo, así como la necesidad de aplicar prácticas sólidas de ingeniería y experimentación en la construcción y el entrenamiento de modelos de aprendizaje profundo.

Conclusiones

Hands-On Machine Learning es, sin duda, un recurso valioso y completo para aquellos que buscan aprender y aplicar técnicas de aprendizaje automático y aprendizaje profundo en la práctica. El enfoque práctico del libro, combinado con explicaciones claras y accesibles de la teoría detrás de cada técnica y algoritmo, hace que este libro sea efectivo tanto para principiantes como para profesionales experimentados en el campo del aprendizaje automático.

El libro es especialmente útil para aquellos que buscan desarrollar habilidades prácticas en la construcción y el entrenamiento de modelos de aprendizaje automático utilizando Scikit-Learn, Keras y TensorFlow. Géron proporciona numerosos ejemplos de código y ejercicios a lo largo del libro para ayudar a los lectores a aplicar lo que han aprendido en proyectos reales.

Sin embargo, cabe señalar que, aunque el libro cubre una amplia gama de técnicas y algoritmos, no puede abordar todas en profundidad. Algunas áreas del aprendizaje automático, como el aprendizaje por refuerzo y las redes generativas adversarias (GAN), se tratan de manera más superficial.

El libro, a fecha de publicación de esta reseña, es una referencia actualizada a la que se puede acceder tanto en su versión original en inglés, como en su traducción al español.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • Guía Completa para Usar el Panda Planner: Tu Camino hacia la Productividad y el Bienestar

Publicidad

Publicado en: Reseñas

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Guía Completa para Usar el Panda Planner: Tu Camino hacia la Productividad y el Bienestar

noviembre 19, 2026 Por Daniel Rodríguez

Noticias

Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador

noviembre 18, 2026 Por Daniel Rodríguez

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Identificar y eliminar duplicados en Excel publicado el marzo 13, 2019 | en Herramientas
  • Número óptimo de clústeres con Silhouette e implementación en Python publicado el junio 23, 2023 | en Ciencia de datos
  • Insertar minigráficos en Excel publicado el junio 8, 2022 | en Herramientas
  • Creación de gráficos de barras y gráficos de columnas con Seaborn publicado el julio 18, 2023 | en Python

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

Comentarios recientes

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto