Introducción al Aprendizaje Estadístico, Edición en Python Libro gratuito

Introducción al Aprendizaje Estadístico, Edición en Python

 

Durante años, Introducción al Aprendizaje Estadístico con Aplicaciones en R, más conocido como ISLR, ha sido apreciado, tanto por principiantes en el aprendizaje automático como por profesionales, como uno de los mejores libros de aprendizaje automático.

Ahora que está aquí la edición en Python del libro, Introducción al Aprendizaje Estadístico con Aplicaciones en Python, o ISL con Python, ¡la comunidad está aún más emocionada!

 

• Difusión estable de AI’s Stable Diffusion XL 1.0 un avance en la generación de imágenes de IA
• RT-2 Nuevo modelo traduce visión y lenguaje en acción
• Conoce el modelo GOAT-7B-Community un modelo de IA ajustado finamente a partir del modelo LLaMA-2 7B en un conjunto de datos recopilados de la aplicación GoatChat.

ISL con Python está aquí. ¡Genial! ¿Pero por qué?

 

Me alegra que lo hayas preguntado. 😀

Si has estado en el espacio del aprendizaje automático por un tiempo, es probable que ya hayas escuchado, leído o usado la versión en R del libro antes. Y sabes lo que más te gustó de él. Pero aquí está mi historia.

El verano antes de comenzar la escuela de posgrado, decidí enseñarme a mí mismo aprendizaje automático. Tuve la suerte de encontrar ISLR temprano en mi viaje de aprendizaje automático. Los autores de ISLR hacen un gran trabajo al descomponer algoritmos complejos de aprendizaje automático de una manera fácil de seguir, junto con los fundamentos matemáticos necesarios, sin abrumar a los estudiantes. Este es un aspecto del libro que disfruté.

Los ejemplos de código y los laboratorios en ISLR, sin embargo, están en R. Lamentablemente, en ese entonces no conocía R, pero me sentía cómodo programando en Python. Así que tenía dos opciones.    

Podía enseñarme a mí mismo R. O podía usar otros recursos, tutoriales y documentación, para construir modelos en Python. Al igual que la mayoría de los demás Pythonistas, elegí la segunda opción (sí, la ruta más familiar, ya lo sé).

Aunque R es excelente para el análisis estadístico, Python es un buen primer lenguaje si estás comenzando en tu viaje de datos.

Pero esto ya no es un problema. Porque esta nueva edición en Python te permite programar y construir modelos de aprendizaje automático en Python. Ya no más preocupaciones por tener que aprender un nuevo lenguaje de programación para seguir adelante.

¡Se acabó la historia! Echemos un vistazo más de cerca al contenido del libro.

 

Contenido de ISL con Python

 

En cuanto al contenido, la edición en Python es bastante similar a la edición en R. Sin embargo, es una adaptación apropiada para Python, como se esperaba. Este libro también incluye una sección de curso intensivo de programación en Python para aprender lo básico.

Este libro cubre una amplitud suficiente. Desde los fundamentos del aprendizaje estadístico, algoritmos de aprendizaje supervisado y no supervisado, hasta el aprendizaje profundo y más, el libro está organizado en los siguientes capítulos:

• Aprendizaje estadístico
• Regresión lineal
• Clasificación
• Métodos de remuestreo
• Selección de modelos lineales y regularización
• Más allá de la linealidad
• Métodos basados en árboles
• Máquinas de vectores de soporte
• Aprendizaje profundo (cubre redes neuronales simples hasta ConvNets y redes neuronales recurrentes)
• Análisis de supervivencia y datos censurados
• Aprendizaje no supervisado
• Pruebas múltiples (una inmersión profunda en las pruebas de hipótesis)

 

El paquete ISLP Python

 

El libro utiliza conjuntos de datos obtenidos de repositorios públicos como el Repositorio de Aprendizaje Automático UCI y otros recursos similares. Algunos ejemplos incluyen conjuntos de datos sobre uso compartido de bicicletas, incumplimiento de tarjetas de crédito, gestión de fondos y tasas de criminalidad.

Aprender a recopilar datos de diversas fuentes mediante el proceso de raspado web e importar datos de fuentes es muy importante para un proyecto de ciencia de datos.

Sin embargo, para un estudiante que no está familiarizado con el paso de recopilación de datos, puede introducir fricción en el proceso de aprendizaje si desean utilizar el libro para comprender tanto la teoría como las secciones prácticas.

Para facilitar una experiencia de aprendizaje fluida, el libro viene con un paquete de apoyo llamado ISLP:

• El paquete ISLP está disponible para todas las plataformas principales: Linux, Windows y MacOS.
• Puedes instalar ISLP usando pip: pip install islp preferiblemente en un entorno virtual en tu máquina.

El paquete ISLP tiene una documentación completa. El paquete ISLP viene con utilidades de carga de datos. Cuando trabajas con un conjunto de datos en particular, la página de documentación te proporciona información lista para acceder sobre las diversas características en el conjunto de datos, el número de registros y código de inicio para cargar los datos en un dataframe de pandas.

También cuenta con funciones auxiliares y funcionalidad para crear características de orden superior como características polinómicas y de spline.

   

Para tener una experiencia de aprendizaje más completa, puedes leer los datos desde sus fuentes, realizar ingeniería de características sin utilizar el paquete ISLP.

Cuando estés construyendo modelos, puedes probar la implementación solo con scikit-learn y PyTorch o Keras para las secciones de aprendizaje profundo.

 

Entonces, ¿Para quién es este libro?

 

Principiantes en Ciencia de Datos y Aprendizaje Automático: Si eres un principiante que prefiere un enfoque de autoaprendizaje para aprender aprendizaje automático, este libro es un gran recurso de aprendizaje.

Practicantes de Aprendizaje Automático: Como practicante de aprendizaje automático, tendrás experiencia en la construcción de modelos de aprendizaje automático. Pero volver a lo básico, como las pruebas de hipótesis y otros algoritmos, puede ser de ayuda.

Educadores: La teoría y los laboratorios hacen de este libro un gran compañero para un primer curso de aprendizaje automático. La mayoría de las universidades y los bootcamps de ciencia de datos enseñan aprendizaje automático en estos días. Por lo tanto, si eres un educador que está enseñando o buscando enseñar un curso de aprendizaje automático, este es un gran libro de texto para considerar.

 

Conclusión

 

Y eso es todo. La Introducción al Aprendizaje Estadístico con Python ha sido uno de los lanzamientos más emocionantes de este verano.

Puedes visitar statlearning.com y comenzar a leer la edición de Python. Si bien la copia digital se puede leer de forma gratuita, el libro impreso en Amazon se agotó el primer día. Así que estamos emocionados de verte aprovechar al máximo el libro. Comienza a leerlo hoy. ¡Feliz aprendizaje!     Bala Priya C es una desarrolladora y escritora técnica de India. Le gusta trabajar en la intersección de las matemáticas, la programación, la ciencia de datos y la creación de contenido. Sus áreas de interés y experiencia incluyen DevOps, ciencia de datos y procesamiento del lenguaje natural. Disfruta de la lectura, la escritura, la codificación y el café. Actualmente, está trabajando en aprender y compartir sus conocimientos con la comunidad de desarrolladores mediante la creación de tutoriales, guías prácticas, artículos de opinión y más.  

We will continue to update Zepes; if you have any questions or suggestions, please contact us!