Cada capítulo incluye ejercicios diseñados para reforzar lo aprendido. Las soluciones están disponibles en los notebooks del repositorio, pero te recomiendo intentar resolverlos por tu cuenta antes de consultarlas.
Última actualización: 2025 – Incluye cambios de TensorFlow 2.15+ y scikit‑learn 1.3+.
: In-depth coverage of Support Vector Machines (SVMs), Decision Trees, Random Forests, and Ensemble Methods. : In-depth coverage of Support Vector Machines (SVMs),
Python es uno de los lenguajes de programación más populares para Machine Learning, gracias a su simplicidad y a la gran cantidad de bibliotecas y herramientas disponibles. A continuación, te presento las bibliotecas que se utilizarán en este contenido:
Con esta herramienta aprenderás a manejar el preprocesamiento de datos, la limpieza de valores nulos y la normalización de variables. Además, permite implementar modelos clásicos como la regresión lineal, los árboles de decisión y las máquinas de soporte vectorial. Su gran ventaja es que ofrece una interfaz consistente, lo que facilita enormemente el flujo de trabajo desde la carga de datos hasta la evaluación del modelo mediante métricas precisas. Keras y el acceso sencillo al Deep Learning este libro te proporcionará los conceptos
Si no quieres descargar nada en tu computadora local debido a limitaciones de hardware, existen excelentes alternativas gratuitas basadas en la nube:
Comprenderás el funcionamiento de las neuronas artificiales, las funciones de activación y el algoritmo de retropropagación (backpropagation). : In-depth coverage of Support Vector Machines (SVMs),
A diferencia de los tratados puramente teóricos, este manual destaca por su enfoque práctico ( hands-on ). El libro asume que el lector tiene conocimientos básicos de programación en Python, pero no requiere una formación matemática avanzada en álgebra lineal o cálculo para empezar a construir soluciones reales.
Si tu objetivo es dominar el machine learning y el deep learning desde cero, este libro te proporcionará los conceptos, las herramientas y la intuición necesarios para construir sistemas inteligentes. Ya sea que optes por la edición impresa, el ebook o la consulta en biblioteca, lo importante es que empieces a programar cuanto antes.
model.fit(X_train_scaled, y_train, epochs=20, validation_split=0.2, callbacks=[keras.callbacks.TensorBoard(log_dir='./logs')])