Aprende Machine Learning en Español

Teoría + Práctica Python

Juan Ignacio Bagnato

Este libro está a la venta en [Link]

Esta versión se publicó en 2020-09-06

Éste es un libro de Leanpub. Leanpub anima a los autores y publicadoras con el proceso de
publicación. Lean Publishing es el acto de publicar un libro en progreso usando herramientas
sencillas y muchas iteraciones para obtener retroalimentación del lector hasta conseguir el libro
adecuado.

© 2020 Juan Ignacio Bagnato

¡Tuitea sobre el libro!
Por favor ayuda a Juan Ignacio Bagnato hablando sobre el libro en Twitter!
El hashtag sugerido para este libro es #aprendeML.
Descubre lo que otra gente dice sobre el libro haciendo clic en este enlace para buscar el hashtag en
Twitter:
#aprendeML
Índice general

Nota Inicial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Version 1.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Extras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Repositorio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Tu opinión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

¿Qué es el Machine Learning? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

Definiendo Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
Una Definición Técnica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
Diagrama de Venn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
Aproximación para programadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

Instalar el Ambiente de Desarrollo Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

¿Por qué instalar Python y Anaconda en mi ordenador? . . . . . . . . . . . . . . . . . . . . . 5
1. Descargar Anaconda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2. Instalar Anaconda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3. Iniciar y Actualizar Anaconda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4. Actualizar libreria scikit-learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
5. Instalar librerías para Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

Análisis Exploratorio de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

¿Qué es el EDA? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
EDA deconstruido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
¿Qué sacamos del EDA? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Técnicas para EDA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Un EDA de pocos minutos con Pandas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Más cosas! (que se suelen hacer): . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

Regresión Lineal con Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

¿Qué es la regresión lineal? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
¿Cómo funciona el algoritmo de regresión lineal en Machine Learning? . . . . . . . . . . . 15
ÍNDICE GENERAL

Un Ejercicio Práctico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Predecir cuántas veces será compartido un artículo de Machine Learning. . . . . . . . . . . 16
Regresión Lineal con Python y SKLearn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Visualicemos la Recta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Predicción en regresión lineal simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Regresión Lineal Múltiple en Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Visualizar un plano en 3 Dimensiones en Python . . . . . . . . . . . . . . . . . . . . . . . . . 23
Predicción con el modelo de Mútiples Variables . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

Regresión Logística . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Ejercicio de Regresión Logística en Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Regresión Logística con SKLearn: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Visualización de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Creamos el Modelo de Regresión Logística . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Validación de nuestro modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Reporte de Resultados del Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Clasificación de nuevos valores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

Arbol de Decisión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
¿Qué es un árbol de decisión? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
¿Cómo funciona un árbol de decisión? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Arbol de Decisión con Scikit-Learn paso a paso . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Predicción del “Billboard 100”: ¿Qué artista llegará al número uno del ranking? . . . . . . . 30
Obtención de los datos de entrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Análisis Exploratorio Inicial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Balanceo de Datos: Pocos artistas llegan al número uno . . . . . . . . . . . . . . . . . . . . . 30
Preparamos los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Mapeo de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Buscamos la profundidad para el árbol de decisión . . . . . . . . . . . . . . . . . . . . . . . . 31
Visualización del árbol de decisión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Análisis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Predicción de Canciones al Billboard 100 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

Qué es overfitting y cómo solucionarlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

Generalización del Conocimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
El problema de la Máquina al Generalizar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Overfitting en Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
El equilibrio del Aprendizaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Prevenir el Sobreajuste de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
ÍNDICE GENERAL

Datos desbalanceados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Problemas de clasificación con Clases desequilibradas . . . . . . . . . . . . . . . . . . . . . . 34
¿Cómo nos afectan los datos desbalanceados? . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Métricas y Confusion Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Vamos al Ejercicio con Python! . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Análisis exploratorio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Estrategias para el manejo de Datos Desbalanceados: . . . . . . . . . . . . . . . . . . . . . . . 35
Probando el Modelo sin estrategias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Estrategia: Penalización para compensar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Estrategia: Subsampling en la clase mayoritaria . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Estrategia: Oversampling de la clase minoritaria . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Estrategia: Combinamos resampling con Smote-Tomek . . . . . . . . . . . . . . . . . . . . . . 35
Estrategia: Ensamble de Modelos con Balanceo . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Resultados de las Estrategias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

Random Forest, el poder del Ensamble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

¿Cómo surge Random Forest? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
¿Cómo funciona Random Forest? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
¿Por qué es aleatorio? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Ventajas y Desventajas del uso de Random Forest . . . . . . . . . . . . . . . . . . . . . . . . . 37
Vamos al Código Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Creamos el modelo y lo entrenamos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Los Hiperparámetros más importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Evaluamos resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Comparamos con el Baseline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

Conjunto de Entrenamiento, Test y Validación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

Un nuevo Mundo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Hágase el conjunto de Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Al Séptimo día Dios creo el Cross-Validation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Técnicas de Validación Cruzada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Ejemplo K-Folds en Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Más técnicas para Validación del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Series Temporales: Atención al validar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Pero entonces? Cuando uso Cross-Validation? . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
¿Si ya estoy “conforme” y quiero llevar el modelo a un entorno de Producción? . . . . . . . 40
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

K-Means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Cómo funciona K-Means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Casos de Uso de K-Means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Datos de Entrada para K-Means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
ÍNDICE GENERAL

El Algoritmo K-means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Elegir el valor de K . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Ejemplo K-Means con Scikit-learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Agrupar usuarios Twitter de acuerdo a su personalidad con K-means . . . . . . . . . . . . . 43
Visualización de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Definimos la entrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Obtener el valor K . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Ejecutamos K-Means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Clasificar nuevas muestras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

K-Nearest-Neighbor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
¿Qué es el algoritmo k-Nearest Neighbor ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
¿Dónde se aplica k-Nearest Neighbor? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
Pros y contras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
¿Cómo funciona kNN? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
Un ejemplo k-Nearest Neighbor en Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
El Ejercicio: App Reviews . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Un poco de Visualización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Preparamos las entradas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Usemos k-Nearest Neighbor con Scikit Learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Precisión del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Y ahora, la gráfica que queríamos ver! . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Elegir el mejor valor de k . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Clasificar ó Predecir nuevas muestras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

Naive Bayes: ¿Comprar casa o Alquilar? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

Los Datos de Entrada: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
El teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Clasificador Gaussian Naive Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Visualización de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Preparar los datos de entrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Feature Selection ó Selección de Características . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Crear el modelo Gaussian Naive Bayes con SKLearn . . . . . . . . . . . . . . . . . . . . . . . 49
Probemos el modelo: ¿Comprar o Alquilar? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Recursos Adicionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

Sistemas de Recomendación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
¿Qué son los Sistemas ó Motores de Recomendación? . . . . . . . . . . . . . . . . . . . . . . . 50
Tipos de motores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
¿Cómo funciona Collaborative Filtering? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
Predecir gustos (User-based) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
ÍNDICE GENERAL

Ejercicio en Python: “Sistema de Recomendación de Repositorios Github” . . . . . . . . . . 51

Dividimos en Train y Test set . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

Breve Historia de las Redes Neuronales Artificiales . . . . . . . . . . . . . . . . . . . . . . . . . 53

Arquitecturas y Aplicaciones de las Redes Neuronales más usadas. . . . . . . . . . . . . . . 53
Evolución de las Redes Neuronales en Ciencias de la Computación . . . . . . . . . . . . . . 53
El inicio de todo: la neurona artificial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Los 1980s: aprendizaje automático . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Se alcanza el Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

Aprendizaje Profundo: una Guía rápida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

Deep Learning y Redes Neuronales -sin código- . . . . . . . . . . . . . . . . . . . . . . . . . . 56
¿Cómo funciona el Deep Learning? Mejor un Ejemplo . . . . . . . . . . . . . . . . . . . . . . 56
Creamos una Red Neuronal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
¿Cómo se calcula la predicción? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Entrenando Nuestra Red Neuronal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
¿Cómo reducimos la función coste -y mejoramos las predicciones-? . . . . . . . . . . . . . . 57
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

Una sencilla Red Neuronal con Keras y Tensorflow . . . . . . . . . . . . . . . . . . . . . . . . . 58

Requerimientos para el ejercicio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Las compuertas XOR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Una Red Neuronal Artificial sencilla con Python y Keras . . . . . . . . . . . . . . . . . . . . 58
Analicemos la red neuronal que hicimos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Visualización de la red Neuronal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
A Entrenar la red! . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Resultados del Entrenamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Evaluamos y Predecimos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Afinando parámetros de la red neuronal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Guardar la red y usarla -de verdad- . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
¿Vale la pena una red neuronal? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

Pronóstico de Series Temporales con Redes Neuronales . . . . . . . . . . . . . . . . . . . . . . 61

¿Qué es una serie temporal y qué tiene de especial? . . . . . . . . . . . . . . . . . . . . . . . . 61
Cargar el Ejemplo con Pandas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Visualización de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
¿Cómo hacer pronóstico de series temporales? . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Pronóstico de Ventas Diarias con Redes Neuronal . . . . . . . . . . . . . . . . . . . . . . . . . 62
Creamos la Red Neuronal Artificial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
Entrenamiento y Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
Pronóstico de ventas futuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
ÍNDICE GENERAL

Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

Pronóstico de Ventas con Redes Neuronales (Parte 2) . . . . . . . . . . . . . . . . . . . . . . . . 63

Mejora del modelo de Series Temporales con Múltiples Variables y Embeddings . . . . . . 63
Mejoras al modelo de Series Temporales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Primer Mejora: Serie Temporal de múltilples Variables . . . . . . . . . . . . . . . . . . . . . . 63
Fecha como variable de entrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Segunda mejora: Embeddings en variables categóricas . . . . . . . . . . . . . . . . . . . . . . 64
¿Qué son los Embeddings? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Quiero Python! . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Comparemos los Resultados de los 3 modelos: . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

Clasificación de Imágenes en Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

Ejercicio: Clasificar imágenes de deportes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Vamos al código Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
1- Importar librerías . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2-Cargar las imágenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3- Crear etiquetas y clases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4-Creamos sets de Entrenamiento y Test, Validación y Preprocesar . . . . . . . . . . . . . . 67
5 - Creamos la red (Aquí la Magia) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6-Entrenamos la CNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
7-Resultados de la clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

¿Cómo funcionan las Convolutional Neural Networks? . . . . . . . . . . . . . . . . . . . . . . 68

Muchas imágenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Pixeles y neuronas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Convoluciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Filtro: conjunto de kernels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
La función de Activación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
Subsampling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
Subsampling con Max-Pooling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
¿Ya terminamos? NO: ahora más convoluciones!! . . . . . . . . . . . . . . . . . . . . . . . . . 69
Conectar con una red neuronal “tradicional”. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
¿Y cómo aprendió la CNN a “ver”?: Backpropagation . . . . . . . . . . . . . . . . . . . . . . . 69
Comparativa entre una red neuronal “tradicional” y una CNN . . . . . . . . . . . . . . . . . 69
Arquitectura básica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
No incluido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

Detección de Objetos con Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

¿En qué consiste la detección YOLO? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
El proyecto Propuesto: Detectar personajes de Lego . . . . . . . . . . . . . . . . . . . . . . . . 71
ÍNDICE GENERAL

Crea un dataset: Imágenes y Anotaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

El lego dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
El código Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Leer el Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Train y Validación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Data Augmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Crear la Red de Clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Crear la Red de Detección . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Generar las Anclas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Entrenar la Red! . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Revisar los Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Probar la Red . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

Coche Robot que conduce solo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

(Por completar) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

Crea tu propio servicio de Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

Por completar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Nota Inicial
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Version 1.9
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Extras
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Repositorio
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Tu opinión
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
¿Qué es el Machine Learning?
Veamos algunas definiciones existentes sobre Machine Learning para intentar dar comprensión a
esta revolucionaria materia.

Definiendo Machine Learning

El Machine Learning -traducido al Español como Aprendizaje Automático ó Aprendizaje de
máquinas- es un subcampo de la Inteligencia Artificial que busca resolver el “cómo construir
programas de computadora que mejoran automáticamente adquiriendo experiencia”.
Esta definición implica que el programa que se crea con ML no necesita que el programador indique
explícitamente las reglas que debe seguir para lograr su tarea si no que este mejora automáticamente.
Grandes volúmenes de datos están surgiendo de diversas fuentes en los últimos años y el Aprendizaje
Automático relacionado al campo estadístico consiste en extraer y reconocer patrones y tendencias
para comprender qué nos dicen los datos. Para ello, se vale de algoritmos que pueden procesar Gygas
y/o Terabytes y obtener información útil.

Una Definición Técnica

Podemos encontrar la siguiente definición técnica sobre Aprendizaje Automático:

A computer program is said to learn from experience E with respect to some class of tasks
T and performance measure P, if its performance at tasks in T, as measured by P, improves
with experience E.

La experiencia E hace referencia a grandes volúmenes de datos recolectados (muchas veces el Big
Data) para la toma de decisiones T y la forma de medir su desempeño P para comprobar que mejoran
con la adquisición de más experiencia.

Diagrama de Venn
Drew Conway creó un simpático diagrama de Venn en el que inerrelaciona diversos campos. Aquí
copio su versión al Español:
¿Qué es el Machine Learning? 3

Diagrama de Venn

En esta aproximación al ML, podemos ver que es una intersección entre conocimientos de Matemá-
ticas y Estadística con Habilidades de Hackeo del programador.

Aproximación para programadores

Los programadores sabemos que los algoritmos de búsqueda pueden tomar mucho tiempo en
concluir y que cuanto mayor sea el espacio de búsqueda crecerán exponencialmente las posibilidades
de combinación de una respuesta óptima, haciendo que los tiempos de respuesta tiendan al infinito
o que tomen más tiempo de lo que un ser humano pueda tolerar (por quedarse sin vida o por
impaciencia).
Para poder resolver este tipo de problemas surgen soluciones de tipo heurísticas que intentan dar
«intuición» al camino correcto a tomar para resolver un problema. Estos logran buenos resultados
en tiempos menores de procesamiento, pero muchas veces su intuición es arbitraria y pueden llegar
a fallar.
¿Qué es el Machine Learning? 4

Los algoritmos de ML intentan utilizar menos recursos para «entrenar» grandes volúmenes de
datos e ir aprendiendo por sí mismos. Podemos dividir el ML en 2 grandes categorías: Aprendizaje
Supervisado o Aprendizaje No Supervisado.
Entre los Algoritmos más utilizados en Inteligencia Artificial encontramos:

• Arboles de Decisión
• Regresión Lineal
• Regresión Logística
• k Nearest Neighbor
• PCA / Principal Component Analysis
• SVM
• Gaussian Naive Bayes
• K-Means
• Redes Neuronales Artificiales
• Aprendizaje Profundo ó Deep Learning

Una mención especial a las Redes Neuronales Artificiales

Una mención distintiva merecen las “RNAs” ya que son algoritmos que imitan al comportamiento de
las neuronas humanas y su capacidad de sinopsis para la obtención de resultados, interrelacionando
diversas capas de neuronas para darle mayor poder de aprendizaje.
Aunque este código existe desde hace más de 70 años, en la última década han evolucionado
notoriamente (en paralelo a la mayor capacidad tecnológica de procesamiento, memoria RAM y
disco, la nube, etc.) y están logrando impresionantes resultados para analizar textos y síntesis de
voz, traducción automática de idiomas, procesamiento de lenguaje natural, visión artificial, análisis
de riesgo, clasificación y predicción y la creación de motores de recomendación.

Resumen
El Machine Learning es una nueva herramienta clave que posibilitará el desarrollo de un futuro
mejor para la humanidad brindando inteligencia a robots, coches y hogares. Las Smart Cities, el
IOT (Internet of things) ya se están volviendo una realidad y también las aplicaciones de Machine
Learning en Asistentes como Siri, las recomendaciones de Netflix o Sistemas de Navegación en
Drones. Para los ingenieros o informáticos es una disciplina fundamental para ayudar a crear y
transitar este nuevo futuro.
Instalar el Ambiente de Desarrollo
Python
Para programar tu propia Máquina de Inteligencia Artificial necesitarás tener listo tu ambiente de
desarrollo local, en tu computadora de escritorio o portatil. En este capitulo explicaremos una manera
sencilla de obtener Python y las librerías necesarias para programar como un Científico de Datos y
poder utilizar los algoritmos más conocidos de Machine Learning.

¿Por qué instalar Python y Anaconda en mi ordenador?

Python es un lenguaje sencillo, rápido y liviano y es ideal para aprender, experimentar, practicar y
trabajar con machine learning, redes neuronales y aprendizaje profundo.
Utilizaremos la Suite gratuita de Anaconda que nos facilitará la tarea de instalar el ambiente e
incluye las Jupyter Notebooks, que es una aplicación web que nos ayudará a hacer ejercicios paso
a paso en Machine Learning, visualizacion de datos y escribir comentarios tal como si se tratase de
un cuaderno de notas de la universidad.
Esta Suite es multiplataforma y se puede utilizar para Windows, Linux y Macintosh.

Agenda
Nuestra agenda de hoy incluye:

1. Descargar Anaconda
2. Instalar Anaconda
3. Iniciar y Actualizar Anaconda
4. Actualizar paquete scikit-learn
5. Instalar Librerías para Deep Learning

Comencemos!

1. Descargar Anaconda
Veamos como descargar Anaconda a nuestro disco y obtener esta suite científica de Python
Instalar el Ambiente de Desarrollo Python 6

Nos dirigimos a la Home de Anaconda e iremos a la sección de Download¹ (descargas)

Elegimos nuestra plataforma: Windows, Mac o Linux

Atención: Elegir la versión de Python 3.7 (y no la de 2.7) y seleccionar el instalador Gráfico

(Graphical Installer)

Con esto guardaremos en nuestro disco duro unos 460MB (según sistema operativo) y obtendremos
un archivo con el nombre similar a Anaconda3-5.1.10-MacOSX-x86_64.pkg

2. Instalar Anaconda
En este paso instalaremos la app en nuestro sistema. (Deberá tener permisos de Administrador si
instala para todos los usuarios).
Ejecutamos el archivo que descargamos haciendo doble click.
Se abrirá un Típico Wizard de instalación.
Seguiremos los pasos, podemos seleccionar instalación sólo para nuestro usuario, seleccionar la ruta
en disco donde instalaremos y listo.
Al instalarse el tamaño total podrá superar 1Gb en disco.

3. Iniciar y Actualizar Anaconda

En este paso comprobaremos que se haya instalado correctamente y verificar tener la versión más
reciente.
¹[Link]
 Instalar el Ambiente de Desarrollo Python 7

Anaconda viene con una suite de herramientas gráficas llamada Anaconda Navigator. Iniciemos la
aplicación y veremos una pantalla como esta:

Entre otros vemos que podemos lanzar las Jupyter Notebooks!.

Para comprobar la instalación abrimos una Terminal de Mac/Linux/Ubuntu o la Línea de Comandos
de Windows.
Escribimos

1 $ conda -V

y obtenemos la versión

1 conda 4.3.30

luego tipeamos

1 $ python -V

y verificamos la versión de Python de nuestro sistema.

Para asegurarnos de tener la versión más reciente de la suite ejecutaremos
 Instalar el Ambiente de Desarrollo Python 8

1 $ conda update conda

debemos poner ‘y’ para actualizar y se descargarán. Luego ejecutamos

1 $ conda update anaconda

Para confirmar que todo funciona bien, crearemos un archivo de texto para escribir un breve script
de python. Nombra al archivo [Link] y su contenido será:

1 # scipy
2 import scipy
3 print('scipy: %s' % scipy.__version__)
4 # numpy
5 import numpy
6 print('numpy: %s' % numpy.__version__)
7 # matplotlib
8 import matplotlib
9 print('matplotlib: %s' % matplotlib.__version__)
10 # pandas
11 import pandas
12 print('pandas: %s' % pandas.__version__)
13 # statsmodels
14 import statsmodels
15 print('statsmodels: %s' % statsmodels.__version__)
16 # scikit-learn
17 import sklearn
18 print('sklearn: %s' % sklearn.__version__)

En la linea de comandos, en el mismo directorio donde está el archivo escribiremos:

 Instalar el Ambiente de Desarrollo Python 9

1 $ python [Link]

y deberemos ver una salida similar a esta:

1 scipy: 0.18.1
2 numpy: 1.12.1
3 matplotlib: 1.5.3
4 pandas: 0.19.2
5 statsmodels: 0.8.0
6 sklearn: 0.18.1

4. Actualizar libreria scikit-learn

En este paso actualizaremos la librería más usada para Machine Learning en python llamada SciKit
Learn
En la Terminal escribiremos

1 $ conda update scikit-learn

Deberemos confirmar la actualización poniendo ‘y’ en la terminal.

Podemos volver a verificar que todo es correcto ejecutando
 Instalar el Ambiente de Desarrollo Python 10

1 $ python [Link]

5. Instalar librerías para Deep Learning

En este paso instalaremos las librerías utilizadas para Aprendizaje profundo. Específicamente serán
keras y la famosa y querida Tensorflow de Google.
Para ello ejecutaremos en nuestra línea de comandos

1 $ conda install -c conda-forge tensorflow

1 $ pip install keras

Y crearemos un nuevo script para probar que se instalaron correctamente. Le llamaremos versiones_-
[Link] y tendrá las siguientes lineas:

1 # tensorflow
2 import tensorflow
3 print('tensorflow: %s' % tensorflow.__version__)
4 # keras
5 import keras
6 print('keras: %s' % keras.__version__)

Ejecutamos en línea de comandos

1 $ python versiones_deep.py

en la terminal y veremos la salida:

1 tensorflow: 1.0.1
2 Using TensorFlow backend.
3 keras: 2.0.2

Ya tenemos nuestro ambiente de desarrollo preparado para el combate‚

Resumen
Para nuestra carrera en Machine Learning, el enfrentamiento con Big Data y el perfeccionamiento
como Data Scientist necesitamos un buen entorno en el que programar y cacharrear -lease, probar
cosas y divertirse-. Para ello contamos con la suite de herramientas gratuitas de Anaconda que nos
ofrece un entorno amable y sencillo en el que crear nuestras máquinas en código Python.
Instalar el Ambiente de Desarrollo Python 11

Otros artículos de interés (en inglés)

Usar Anaconda Navigator²
Instalar Pip³
Instalar Tensorflow⁴
Instalación de Keras⁵
²[Link]
³[Link]
⁴[Link]
⁵[Link]
Análisis Exploratorio de Datos
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Qué es el EDA?
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

EDA deconstruido
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Qué sacamos del EDA?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Técnicas para EDA

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Un EDA de pocos minutos con Pandas

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Más cosas! (que se suelen hacer):

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Análisis Exploratorio de Datos 13

Resumen
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Recursos
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

BONUS track: Notebook sobre manipulación de datos con Pandas

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Más Recursos
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Regresión Lineal con Python
¿Qué es la regresión lineal?
La regresión lineal⁶ es un algoritmo⁷ de aprendizaje supervisado⁸ que se utiliza en Machine Learning
y en estadística. En su versión más sencilla, lo que haremos es “dibujar una recta” que nos indicará la
tendencia de un conjunto de datos continuos (si fueran discretos, utilizaríamos Regresión Logística⁹).
En estadísticas, regresión lineal es una aproximación para modelar la relación entre una variable
escalar dependiente “y” y una o mas variables explicativas nombradas con “X”.
Recordemos rápidamente la fórmula de la recta:

Y = mX + b

Donde Y es el resultado, X es la variable, m la pendiente (o coeficiente) de la recta y b la constante

o también conocida como el “punto de corte con el eje Y” en la gráfica (cuando X=0)

Aqui vemos un ejemplo donde vemos datos recabados sobre los precios de las pizzas en Dinamarca
(los puntos en rojo) y la linea negra es la tendencia. Esa es la línea de regresión que buscamos que
el algoritmo aprenda y calcule sólo.
⁶[Link]
⁷[Link]
⁸[Link]
⁹[Link]
Regresión Lineal con Python 15

¿Cómo funciona el algoritmo de regresión lineal en

Machine Learning?
Recordemos que los algoritmos de Machine Learning Supervisados¹⁰, aprenden por sí mismos y -en
este caso- a obtener automáticamente esa “recta” que buscamos con la tendencia de predicción. Para
hacerlo se mide el error con respecto a los puntos de entrada y el valor “Y” de salida real. El algoritmo
deberá minimizar el coste de una función de error cuadrático¹¹ y esos coeficientes corresponderán
con la recta óptima. Hay diversos métodos para conseguir minimizar el coste. Lo más común es
utilizar una versión vectorial y la llamada Ecuación Normal¹² que nos dará un resultado directo.
NOTA: cuando hablo de “recta” es en el caso particular de regresión lineal simple. Si hubiera más
variables, hay que generalizar el término.

Un Ejercicio Práctico
En este ejemplo cargaremos un archivo .csv de entrada¹³ obtenido por webscraping¹⁴ que contiene
diversas URLs a artículos sobre Machine Learning de algunos sitios muy importantes como
Techcrunch¹⁵ o KDnuggets¹⁶ y como características de entrada -las columnas- tendremos:

• Title: Titulo del Artículo

• url: ruta al artículo
• Word count: la cantidad de palabras del artículo,
• # of Links: los enlaces externos que contiene,
• # of comments: cantidad de comentarios,
• # Images video: suma de imágenes (o videos),
• Elapsed days: la cantidad de días transcurridos (al momento de crear el archivo)
• # Shares: nuestra columna de salida que será la “cantidad de veces que se compartió el artículo”.

A partir de las características de un artículo de machine learning intentaremos predecir, cuantas

veces será compartido en Redes Sociales. Haremos una primer predicción de regresión lineal simple¹⁷
-con una sola variable predictora- para poder graficar en 2 dimensiones (ejes X e Y) y luego un
ejemplo de regresión Lineal Múltiple, en la que utilizaremos 3 dimensiones (X,Y,Z) y predicciones.
NOTA: el archivo .csv contiene mitad de datos reales, y otra mitad los generé de manera aleatoria, por
lo que las predicciones que obtendremos no serán reales. Intentaré en el futuro hacer webscrapping
de los enlaces que me faltaban y reemplazar los resultados por valores reales.
¹⁰[Link]
¹¹[Link]
¹²[Link]
¹³[Link]
¹⁴[Link]
¹⁵[Link]
¹⁶[Link]
¹⁷[Link]
 Regresión Lineal con Python 16

Requerimientos para hacer el Ejercicio

Para realizar este ejercicio, crearemos una Jupyter notebook¹⁸ con código Python y la librería Scikit-
Learn muy utilizada en Data Science. Recomendamos utilizar la suite de Anaconda¹⁹.
Podrás descargar los archivos de entrada csv²⁰ o visualizar la notebook online²¹.

Predecir cuántas veces será compartido un artículo de

Machine Learning.

Regresión lineal simple en Python (con 1 variable)

Aqui vamos con nuestra notebook! Comencemos por importar las librerías que utilizaremos:

1 # Imports necesarios
2 import numpy as np
3 import pandas as pd
4 import seaborn as sb
5 import [Link] as plt
6 %matplotlib inline
7 from mpl_toolkits.mplot3d import Axes3D
8 from matplotlib import cm
9 [Link]['[Link]'] = (16, 9)
10 [Link]('ggplot')
11 from sklearn import linear_model
12 from [Link] import mean_squared_error, r2_score

Leemos el archivo csv y lo cargamos como un dataset de Pandas. Y vemos su tamaño

1 #cargamos los datos de entrada

2 data = pd.read_csv("./articulos_ml.csv")
3 #veamos cuantas dimensiones y registros contiene
4 [Link]

Nos devuelve (161,8) Veamos esas primeras filas:

¹⁸[Link]
¹⁹[Link]
²⁰[Link]
²¹[Link]
 Regresión Lineal con Python 17

1 #son 161 registros con 8 columnas. Veamos los primeros registros

2 [Link]()

²²
Se ven algunos campos con valores NaN (nulos) por ejemplo algunas urls o en comentarios. Veamos
algunas estadísticas básicas de nuestros datos de entrada:

1 # Ahora veamos algunas estadísticas de nuestros datos

2 [Link]()

²³
Aqui vemos que la media de palabras en los artículos es de 1808. El artículo más corto tiene 250
palabras y el más extenso 8401. Intentaremos ver con nuestra relación lineal, si hay una correlación
entre la cantidad de palabras del texto y la cantidad de Shares obtenidos. Hacemos una visualización
en general de los datos de entrada:

1 # Visualizamos rápidamente las caraterísticas de entrada

2 [Link](['Title','url', 'Elapsed days'],1).hist()
3 [Link]()
²²[Link]
²³[Link]
 Regresión Lineal con Python 18

²⁴
En estas gráficas vemos entre qué valores se concentran la mayoría de registros. Vamos a filtrar los
datos de cantidad de palabras para quedarnos con los registros con menos de 3500 palabras y también
con los que tengan Cantidad de compartidos menos a 80.000. Lo gratificaremos pintando en azul los
puntos con menos de 1808 palabras (la media) y en naranja los que tengan más.

1 # Vamos a RECORTAR los datos en la zona donde se concentran más los puntos
2 # esto es en el eje X: entre 0 y 3.500
3 # y en el eje Y: entre 0 y 80.000
4 filtered_data = data[(data['Word count'] <= 3500) & (data['# Shares'] <= 80000)]
5
6 colores=['orange','blue']
7 tamanios=[30,60]
8
9 f1 = filtered_data['Word count'].values
10 f2 = filtered_data['# Shares'].values
11
12 # Vamos a pintar en colores los puntos por debajo y por encima de la media de Cantid\
13 ad de Palabras
14 asignar=[]
15 for index, row in filtered_data.iterrows():
16 if(row['Word count']>1808):
17 [Link](colores[0])
18 else:
²⁴[Link]
 Regresión Lineal con Python 19

19 [Link](colores[1])
20
21 [Link](f1, f2, c=asignar, s=tamanios[0])
22 [Link]()

²⁵

Regresión Lineal con Python y SKLearn

Vamos a crear nuestros datos de entrada por el momento sólo Word Count y como etiquetas los #
Shares. Creamos el objeto LinearRegression y lo hacemos “encajar” (entrenar) con el método fit().
Finalmente imprimimos los coeficientes y puntajes obtenidos.

1 # Asignamos nuestra variable de entrada X para entrenamiento y las etiquetas Y.

2 dataX =filtered_data[["Word count"]]
3 X_train = [Link](dataX)
4 y_train = filtered_data['# Shares'].values
5
6 # Creamos el objeto de Regresión Linear
7 regr = linear_model.LinearRegression()
8
9 # Entrenamos nuestro modelo
10 [Link](X_train, y_train)
²⁵[Link]
 Regresión Lineal con Python 20

11
12 # Hacemos las predicciones que en definitiva una línea (en este caso, al ser 2D)
13 y_pred = [Link](X_train)
14
15 # Veamos los coeficienetes obtenidos, En nuestro caso, serán la Tangente
16 print('Coefficients: \n', regr.coef_)
17 # Este es el valor donde corta el eje Y (en X=0)
18 print('Independent term: \n', regr.intercept_)
19 # Error Cuadrado Medio
20 print("Mean squared error: %.2f" % mean_squared_error(y_train, y_pred))
21 # Puntaje de Varianza. El mejor puntaje es un 1.0
22 print('Variance score: %.2f' % r2_score(y_train, y_pred))

1 Coefficients: [5.69765366]
2 Independent term: 11200.303223074163
3 Mean squared error: 372888728.34
4 Variance score: 0.06

De la ecuación de la recta y = mX + b nuestra pendiente “m” es el coeficiente 5,69 y el término

independiente “b” es 11200. Tenemos un Error Cuadrático medio enorme… por lo que en realidad
este modelo no será muy bueno ;) Pero estamos aprendiendo a usarlo, que es lo que nos importa
ahora :) Esto también se ve reflejado en el puntaje de Varianza que debería ser cercano a 1.0.
 Regresión Lineal con Python 21

Visualicemos la Recta
Veamos la recta que obtuvimos:

²⁶

Predicción en regresión lineal simple

Vamos a intentar probar nuestro algoritmo, suponiendo que quisiéramos predecir cuántos “compar-
tir” obtendrá un articulo sobre ML de 2000 palabras

1 #Vamos a comprobar:
2 # Quiero predecir cuántos "Shares" voy a obtener por un artículo con 2.000 palabras,
3 # según nuestro modelo, hacemos:
4 y_Dosmil = [Link]([[2000]])
5 print(int(y_Dosmil))

Nos devuelve una predicción de 22595 “Shares” para un artículo de 2000 palabras.
²⁶[Link]
 Regresión Lineal con Python 22

Regresión Lineal Múltiple en Python

(o “Regresión con Múltiples Variables”)

Vamos a extender el ejercicio utilizando más de una variable de entrada para el modelo. Esto le da
mayor poder al algoritmo de Machine Learning, pues de esta manera podremos obtener predicciones
más complejas. Nuestra “ecuación de la Recta”, ahora pasa a ser:

Y = b + m1 X1 + m2 X2 + … + m(n) X(n)

y deja de ser una recta) En nuestro caso, utilizaremos 2 “variables predictivas” para poder
graficar en 3D, pero recordar que para mejores predicciones podemos utilizar más de 2 entradas y
prescindir del grafico. Nuestra primer variable seguirá siendo la cantidad de palabras y la segunda
variable será la suma de 3 columnas de entrada: la cantidad de enlaces, comentarios y cantidad de
imágenes. Vamos a programar!

1 #Vamos a intentar mejorar el Modelo, con una dimensión más:

2 # Para poder graficar en 3D, haremos una variable nueva que será la suma de los enla\
3 ces, comentarios e imágenes
4 suma = (filtered_data["# of Links"] + filtered_data['# of comments'].fillna(0) + fil\
5 tered_data['# Images video'])
6
7 dataX2 = [Link]()
8 dataX2["Word count"] = filtered_data["Word count"]
9 dataX2["suma"] = suma
10 XY_train = [Link](dataX2)
11 z_train = filtered_data['# Shares'].values

Nota: hubiera sido mejor aplicar PCA para reducción de dimensiones²⁷, manteniendo la
información más importante de todas

Ya tenemos nuestras 2 variables de entrada en XY_train y nuestra variable de salida pasa de ser
“Y” a ser el eje “Z”. Creamos un nuevo objeto de Regresión lineal con SKLearn pero esta vez tendrá
las dos dimensiones que entrenar: las que contiene XY_train. Al igual que antes, imprimimos los
coeficientes y puntajes obtenidos:

²⁷[Link]
 Regresión Lineal con Python 23

1 # Creamos un nuevo objeto de Regresión Lineal

2 regr2 = linear_model.LinearRegression()
3
4 # Entrenamos el modelo, esta vez, con 2 dimensiones
5 # obtendremos 2 coeficientes, para graficar un plano
6 [Link](XY_train, z_train)
7
8 # Hacemos la predicción con la que tendremos puntos sobre el plano hallado
9 z_pred = [Link](XY_train)
10
11 # Los coeficientes
12 print('Coefficients: \n', regr2.coef_)
13 # Error cuadrático medio
14 print("Mean squared error: %.2f" % mean_squared_error(z_train, z_pred))
15 # Evaluamos el puntaje de varianza (siendo 1.0 el mejor posible)
16 print('Variance score: %.2f' % r2_score(z_train, z_pred))

1 Coefficients: [ 6.63216324 -483.40753769]

2 Mean squared error: 352122816.48
3 Variance score: 0.11

Como vemos, obtenemos 2 coeficientes (cada uno correspondiente a nuestras 2 variables predictivas),
pues ahora lo que graficamos no será una linea si no, un plano en 3 Dimensiones. El error obtenido
sigue siendo grande, aunque algo mejor que el anterior y el puntaje de Varianza mejora casi el doble
del anterior (aunque sigue siendo muy malo, muy lejos del 1).

Visualizar un plano en 3 Dimensiones en Python

Graficaremos nuestros puntos de las características de entrada en color azul y los puntos proyectados
en el plano en rojo. Recordemos que en esta gráfica, el eje Z corresponde a la “altura” y representa
la cantidad de Shares que obtendremos.
 Regresión Lineal con Python 24

1 fig = [Link]()
2 ax = Axes3D(fig)
3
4 # Creamos una malla, sobre la cual graficaremos el plano
5 xx, yy = [Link]([Link](0, 3500, num=10), [Link](0, 60, num=10))
6
7 # calculamos los valores del plano para los puntos x e y
8 nuevoX = (regr2.coef_[0] * xx)
9 nuevoY = (regr2.coef_[1] * yy)
10
11 # calculamos los correspondientes valores para z. Debemos sumar el punto de intercep\
12 ción
13 z = (nuevoX + nuevoY + regr2.intercept_)
14
15 # Graficamos el plano
16 ax.plot_surface(xx, yy, z, alpha=0.2, cmap='hot')
17
18 # Graficamos en azul los puntos en 3D
19 [Link](XY_train[:, 0], XY_train[:, 1], z_train, c='blue',s=30)
20
21 # Graficamos en rojo, los puntos que
22 [Link](XY_train[:, 0], XY_train[:, 1], z_pred, c='red',s=40)
23
24 # con esto situamos la "camara" con la que visualizamos
25 ax.view_init(elev=30., azim=65)
26
27 ax.set_xlabel('Cantidad de Palabras')
28 ax.set_ylabel('Cantidad de Enlaces,Comentarios e Imagenes')
29 ax.set_zlabel('Compartido en Redes')
30 ax.set_title('Regresión Lineal con Múltiples Variables')
 Regresión Lineal con Python 25

²⁸
Podemos rotar el gráfico para apreciar el plano desde diversos ángulos modificando el valor del
parámetro azim en view_init con números de 0 a 360.

Predicción con el modelo de Mútiples Variables

Veamos ahora, que predicción tendremos para un artículo de 2000 palabras, con 10 enlaces, 4
comentarios y 6 imágenes.

1 # Si quiero predecir cuántos "Shares" voy a obtener por un artículo con:

2 # 2000 palabras y con enlaces: 10, comentarios: 4, imagenes: 6
3 # según nuestro modelo, hacemos:
4
5 z_Dosmil = [Link]([[2000, 10+4+6]])
6 print(int(z_Dosmil))

Esta predicción nos da 20518 y probablemente sea un poco mejor que nuestra predicción anterior
con 1 variables.

Resumen
Hemos visto cómo utilizar SKLearn en Python para crear modelos de Regresión Lineal con 1 o
múltiples variables. En nuestro ejercicio no tuvimos una gran confianza en las predicciónes. Por
²⁸[Link]
Regresión Lineal con Python 26

ejemplo en nuestro primer modelo, con 2000 palabras nos predice que podemos tener 22595 pero el
margen de error haciendo raíz del error cuartico medio es más menos 19310. Es decir que escribiendo
un artículo de 2000 palabras lo mismo tenemos 3285 Shares que 41905. En este caso usamos este
modelo para aprender a usarlo y habrá que ver en otros casos en los que sí nos brinde predicciones
acertadas. Para mejorar nuestro modelo, deberíamos utilizar más dimensiones y encontrar datos de
entrada mejores.
Atención: también es posible, que no exista ninguna relación fuerte entre nuestras variables de
entrada y el éxito en Shares del artículo… Esto fue un experimento!

Recursos y enlaces
• Descarga la Jupyter Notebook²⁹ y el archivo de entrada csv³⁰
• ó puedes visualizar online³¹
• o ver y descargar desde mi cuenta github³²

Otros enlaces con Artículos sobre Regresión Lineal (en Inglés)

• Introduction to Linear Regression using python³³

• Linear Regression using Python SkLearn³⁴
• Linear Regression Detailed View³⁵
• How do you solve a linear regression problem in python³⁶
• Python tutorial on LinearRegression with Batch Gradient Descent³⁷

²⁹[Link]
³⁰[Link]
³¹[Link]
³²[Link]
³³[Link]
³⁴[Link]
³⁵[Link]
³⁶[Link]
³⁷[Link]
Regresión Logística
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Introducción
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Ejercicio de Regresión Logística en Python

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Requerimientos técnicos

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Regresión Logística con SKLearn:

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Identificar Sistema Operativo de los usuarios

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Visualización de Datos
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Regresión Logística 28

Creamos el Modelo de Regresión Logística

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Validación de nuestro modelo

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Reporte de Resultados del Modelo

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Clasificación de nuevos valores

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Resumen
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Arbol de Decisión
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Qué es un árbol de decisión?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Qué necesidad hay de usar el Algoritmo de Arbol?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Cómo funciona un árbol de decisión?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Indice Gini:
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Ganancia de información:
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Arbol de Decisión con Scikit-Learn paso a paso

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Arbol de Decisión 30

Requerimientos para hacer el Ejercicio

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Predicción del “Billboard 100”: ¿Qué artista llegará al

número uno del ranking?
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Obtención de los datos de entrada

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Análisis Exploratorio Inicial

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Balanceo de Datos: Pocos artistas llegan al número

uno
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Preparamos los datos

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Arbol de Decisión 31

Mapeo de Datos
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Como quedan los top en relación a los datos mapeados

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Buscamos la profundidad para el árbol de decisión

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Creamos el árbol y lo tuneamos

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Visualización del árbol de decisión

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Análisis
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Predicción de Canciones al Billboard 100

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Arbol de Decisión 32

Resumen
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Recursos y enlaces
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Qué es overfitting y cómo
solucionarlo
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Generalización del Conocimiento

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

El problema de la Máquina al Generalizar

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Overfitting en Machine Learning

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

El equilibrio del Aprendizaje

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Prevenir el Sobreajuste de datos

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Resumen
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Datos desbalanceados
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Agenda:
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Problemas de clasificación con Clases desequilibradas

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Cómo nos afectan los datos desbalanceados?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Métricas y Confusion Matrix

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Vamos al Ejercicio con Python!

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Análisis exploratorio
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Datos desbalanceados 35

Estrategias para el manejo de Datos Desbalanceados:

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Probando el Modelo sin estrategias

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Estrategia: Penalización para compensar

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Estrategia: Subsampling en la clase mayoritaria

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Estrategia: Oversampling de la clase minoritaria

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Estrategia: Combinamos resampling con Smote-Tomek

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Estrategia: Ensamble de Modelos con Balanceo

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Datos desbalanceados 36

Resultados de las Estrategias

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Resumen
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Recursos
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Enlaces de interés
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Random Forest, el poder del
Ensamble
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Cómo surge Random Forest?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Cómo funciona Random Forest?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Por qué es aleatorio?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Ventajas y Desventajas del uso de Random Forest

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Vamos al Código Python

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Random Forest, el poder del Ensamble 38

Creamos el modelo y lo entrenamos

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Los Hiperparámetros más importantes

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Evaluamos resultados
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Comparamos con el Baseline

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Resumen
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Recursos y Adicionales
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Conjunto de Entrenamiento, Test y
Validación
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Un nuevo Mundo
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Hágase el conjunto de Test

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Al Séptimo día Dios creo el Cross-Validation

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Técnicas de Validación Cruzada

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Cross-Validation: K-fold con 5 splits

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Ejemplo K-Folds en Python

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Conjunto de Entrenamiento, Test y Validación 40

Más técnicas para Validación del modelo

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Stratified K-Fold
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Leave P Out
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

ShuffleSplit
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Series Temporales: Atención al validar

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

TimeSeriesSplit
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Pero entonces? Cuando uso Cross-Validation?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Si ya estoy “conforme” y quiero llevar el modelo a un

entorno de Producción?
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Conjunto de Entrenamiento, Test y Validación 41

Resumen
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Recomendaciones finales:
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Recursos Adicionales
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
K-Means
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Cómo funciona K-Means

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Casos de Uso de K-Means

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Datos de Entrada para K-Means

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

El Algoritmo K-means
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Elegir el valor de K
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Ejemplo K-Means con Scikit-learn

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
K-Means 43

Requerimientos para el Ejercicio

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Agrupar usuarios Twitter de acuerdo a su

personalidad con K-means
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Implementando K-means en Python con Sklearn

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Visualización de Datos
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Definimos la entrada
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Obtener el valor K
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
K-Means 44

Ejecutamos K-Means
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Clasificar nuevas muestras

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Resumen
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
K-Nearest-Neighbor
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Qué es el algoritmo k-Nearest Neighbor ?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Dónde se aplica k-Nearest Neighbor?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Pros y contras
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Cómo funciona kNN?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Un ejemplo k-Nearest Neighbor en Python

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Exploremos el algoritmo con Scikit learn

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
K-Nearest-Neighbor 46

Requerimientos
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

El Ejercicio: App Reviews

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Comencemos con el código!

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Un poco de Visualización
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Preparamos las entradas

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Usemos k-Nearest Neighbor con Scikit Learn

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Precisión del modelo

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
K-Nearest-Neighbor 47

Y ahora, la gráfica que queríamos ver!

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Elegir el mejor valor de k

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

(sobre todo importante para desempatar o elegir los puntos

frontera!)
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Clasificar ó Predecir nuevas muestras

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Resumen
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Recursos y enlaces
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Naive Bayes: ¿Comprar casa o
Alquilar?
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Los Datos de Entrada:

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

El teorema de Bayes
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Clasificador Gaussian Naive Bayes

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Visualización de Datos
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Preparar los datos de entrada

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Naive Bayes: ¿Comprar casa o Alquilar? 49

Feature Selection ó Selección de Características

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Crear el modelo Gaussian Naive Bayes con SKLearn

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Probemos el modelo: ¿Comprar o Alquilar?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Resumen
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Recursos Adicionales
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Sistemas de Recomendación
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Crea en Python un motor de recomendación con Collaborative

Filtering
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Qué son los Sistemas ó Motores de Recomendación?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Tipos de motores
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Cómo funciona Collaborative Filtering?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Ejemplo de Dataset
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Tipos de Collaborative Filtering

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Sistemas de Recomendación 51

Predecir gustos (User-based)

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Calcular los Ratings

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Ejercicio en Python: “Sistema de Recomendación de

Repositorios Github”
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Vamos al código!
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Creamos la matriz usuarios/ratings

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Sparcity
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Dividimos en Train y Test set

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Matriz de Similitud: Distancias por Coseno

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Sistemas de Recomendación 52

Predicciones -ó llamémosle “Sugeridos para ti”-

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Validemos el error
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Hay más…
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Resumen
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Recursos del Artículo

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Otros artículos de interés (en inglés)

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Breve Historia de las Redes
Neuronales Artificiales
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Arquitecturas y Aplicaciones de las Redes Neuronales

más usadas.
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Evolución de las Redes Neuronales en Ciencias de la

Computación
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

El inicio de todo: la neurona artificial

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

1958 - Perceptron
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

1965 - Multilayer Perceptron

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Breve Historia de las Redes Neuronales Artificiales 54

Los 1980s: aprendizaje automático

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Neuronas Sigmoides
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Redes Feedforward
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

1986 - Backpropagation
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

1989 - Convolutional Neural Network

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

1997 Long Short Term Memory / Recurrent Neural Network

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Se alcanza el Deep Learning

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

2006 - Deep Belief Networks (DBN)

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Breve Historia de las Redes Neuronales Artificiales 55

2014 - Generative Adversarial Networks

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Resumen
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Más recursos
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Aprendizaje Profundo: una Guía
rápida
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Deep Learning y Redes Neuronales -sin código-

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Cómo funciona el Deep Learning? Mejor un Ejemplo

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Creamos una Red Neuronal

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Cómo se calcula la predicción?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Entrenando Nuestra Red Neuronal

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Aprendizaje Profundo: una Guía rápida 57

¿Cómo reducimos la función coste -y mejoramos las

predicciones-?
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Resumen
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Una sencilla Red Neuronal con Keras
y Tensorflow
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Requerimientos para el ejercicio

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Las compuertas XOR

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Una Red Neuronal Artificial sencilla con Python y

Keras
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Keras y Tensorflow? What??

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Analicemos la red neuronal que hicimos

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Una sencilla Red Neuronal con Keras y Tensorflow 59

Visualización de la red Neuronal

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

A Entrenar la red!
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Resultados del Entrenamiento

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Evaluamos y Predecimos
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Afinando parámetros de la red neuronal

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Guardar la red y usarla -de verdad-

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Vale la pena una red neuronal?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Una sencilla Red Neuronal con Keras y Tensorflow 60

Resumen
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Código Python
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Otros recursos Keras y Tensorflow

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Pronóstico de Series Temporales con
Redes Neuronales
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Qué es una serie temporal y qué tiene de especial?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Ejemplo de series temporales son:

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Requerimientos para el Ejercicio

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Cargar el Ejemplo con Pandas

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Visualización de datos
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Cómo hacer pronóstico de series temporales?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Pronóstico de Series Temporales con Redes Neuronales 62

Pronóstico de Ventas Diarias con Redes Neuronal

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Preparamos los datos

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Creamos la Red Neuronal Artificial

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Entrenamiento y Resultados
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Pronóstico de ventas futuras

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Resumen
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Recursos Adicionales
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Pronóstico de Ventas con Redes
Neuronales (Parte 2)
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Mejora del modelo de Series Temporales con Múltiples

Variables y Embeddings
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Breve Repaso de lo que hicimos

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Mejoras al modelo de Series Temporales

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Primer Mejora: Serie Temporal de múltilples Variables

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Fecha como variable de entrada

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Pronóstico de Ventas con Redes Neuronales (Parte 2) 64

Segunda mejora: Embeddings en variables categóricas

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Qué son los Embeddings?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Sobre la dimensionalidad de los Embeddings

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Conclusión de Embeddings
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Quiero Python!
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Comparemos los Resultados de los 3 modelos:

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Comparemos las Métricas

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Comparemos Gráficas de Pérdida (loss)

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Pronóstico de Ventas con Redes Neuronales (Parte 2) 65

Comparemos las Gráficas de Accuracy

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Comparamos los pronósticos y sus aciertos

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Resumen
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Recursos Adicionales
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Clasificación de Imágenes en Python
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Ejercicio: Clasificar imágenes de deportes

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Requerimientos Técnicos
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Vamos al código Python

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

1- Importar librerías
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

2-Cargar las imágenes

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

3- Crear etiquetas y clases

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Clasificación de Imágenes en Python 67

4-Creamos sets de Entrenamiento y Test, Validación y

Preprocesar
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

5 - Creamos la red (Aquí la Magia)

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

6-Entrenamos la CNN
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

7-Resultados de la clasificación
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Resumen
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Los recursos
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
¿Cómo funcionan las Convolutional
Neural Networks?
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Muchas imágenes
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Pixeles y neuronas
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

No Olvides: Pre-procesamiento
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Convoluciones
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Filtro: conjunto de kernels

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
¿Cómo funcionan las Convolutional Neural Networks? 69

La función de Activación
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Subsampling
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Subsampling con Max-Pooling

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Ya terminamos? NO: ahora más convoluciones!!

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Conectar con una red neuronal “tradicional”.

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿Y cómo aprendió la CNN a “ver”?: Backpropagation

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Comparativa entre una red neuronal “tradicional” y

una CNN
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
¿Cómo funcionan las Convolutional Neural Networks? 70

Arquitectura básica
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

No incluido
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Resumen
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Detección de Objetos con Python
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Agenda
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

¿En qué consiste la detección YOLO?

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

(Algunos) Parámetros de la red

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

El proyecto Propuesto: Detectar personajes de Lego

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Lo que tienes que instalar

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Crea un dataset: Imágenes y Anotaciones

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Detección de Objetos con Python 72

Recomendaciones para las imágenes:

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Anotarlo Todo
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

El lego dataset
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

El código Python
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Leer el Dataset
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Train y Validación
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Data Augmentation
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Detección de Objetos con Python 73

Crear la Red de Clasificación

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Crear la Red de Detección

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Generar las Anclas

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Entrenar la Red!
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Revisar los Resultados

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Probar la Red
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Imágenes pero también Video y Cámara!

Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Detección de Objetos con Python 74

Resumen
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Recursos
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Coche Robot que conduce solo
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

(Por completar)
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]
Crea tu propio servicio de Machine
Learning
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]

Por completar
Este contenido no está disponible en el libro de muestra. El libro se puede comprar en Leanpub en
[Link]