Hands-On Machine Learning with Scikit-Learn and Pytorch
Aurelien Geron
- Editorial
- O'Reilly
- Año
- 2025
- Páginas
- ~878
- Nivel
- Intermedio
De qué trata
Obra integral de Aurélien Géron que adapta su reconocido manual de referencia al estándar de la industria contemporánea, sustituyendo la pila de TensorFlow/Keras por PyTorch y las librerías del ecosistema de Hugging Face, combinadas con Scikit-Learn para el modelado clásico. La edición de 2025 trabaja con versiones actualizadas de Python 3, Scikit-Learn 1.x+, PyTorch 2.x, torchvision y transformers. Está orientada a programadores, científicos de datos e ingenieros de software de nivel intermedio con buen manejo de Python y nociones del stack científico (NumPy, Pandas, Matplotlib), además de bases de álgebra y cálculo, que busquen dominar tanto el aprendizaje automático convencional como las arquitecturas de vanguardia en IA generativa.
El volumen se estructura en dos partes complementarias. La primera mitad domina el machine learning tradicional con Scikit-Learn: regresión lineal y logística, máquinas de vectores de soporte (SVM), árboles de decisión, ensembles (Random Forests, Gradient Boosting), reducción de dimensiones (PCA, t-SNE) y algoritmos de clustering (K-Means, DBSCAN). La segunda parte profundiza de lleno en PyTorch: manipulación de tensores, cálculo automático con `torch.autograd`, diseño de arquitecturas modulares con `torch.nn`, optimizadores como AdamW, redes convolucionales modernas (ResNet, EfficientNet) y visión por computadora con `torchvision`. Integra además la librería `transformers` de Hugging Face para modelos de lenguaje masivos, State Space Models (Mamba), Vision Transformers (ViT), modelos generativos de difusión (Diffusion Models) y aprendizaje por refuerzo profundo con Gymnasium.
El aprendizaje se articula a través de problemas reales resueltos de extremo a extremo, complementados con ejercicios analíticos y de código al final de cada capítulo cuyas soluciones se desglosan paso a paso. Se construyen sistemas completos que abarcan desde la predicción de precios inmobiliarios con pipelines de transformación y ajuste de hiperparámetros hasta clasificadores de imágenes por transferencia de aprendizaje, generadores visuales con difusión y agentes autónomos entrenados con Deep Q-Networks. Aporta un equilibrio ejemplar entre teoría matemática accesible, código idiomático moderno e intuición práctica, convirtiéndose en el manual definitivo para quienes deseen especializarse en el ecosistema PyTorch.
- Scikit-Learn
- PyTorch
- Hugging Face Transformers
- Machine Learning
- Deep Learning
- Computer Vision
- Modelos de Difusión
- Vision Transformers
- State Space Models
- Reinforcement Learning
¿Cómo enseña?
Teoría + práctica
- ✓ Incluye ejercicios
- ✓ Incluye proyectos
Proyectos
Pipeline integral de predicción inmobiliaria (California Housing)
Proyecto completo de machine learning con Scikit-Learn que ejecuta adquisición de datos, análisis exploratorio, ingeniería de atributos con pipelines de transformación, validación cruzada y ajuste de hiperparámetros.
Clasificador multiclase con Scikit-Learn y PyTorch (MNIST)
Sistema de clasificación de imágenes sobre el dataset MNIST que implementa y evalúa métricas críticas como curvas ROC, matrices de confusión y compensación de precisión/exhaustividad.
Clasificador visual mediante transferencia de aprendizaje
Modelo de visión por computadora en PyTorch y torchvision que adapta arquitecturas convolucionales preentrenadas y Vision Transformers (ViTs) a conjuntos de imágenes específicos.
Procesador de lenguaje y ajuste fino con Transformers
Pipeline de NLP que utiliza la biblioteca Transformers de Hugging Face y PyTorch para el ajuste fino de modelos preentrenados en tareas de clasificación y generación de texto.
Generador de imágenes mediante modelos de difusión
Arquitectura generativa profunda implementada en PyTorch que simula el proceso de difusión inversa para sintetizar nuevas muestras visuales a partir de ruido gaussiano.
Agente autónomo de control mediante Deep Q-Networks
Agente de aprendizaje por refuerzo entrenado en entornos de Gymnasium para resolver tareas de equilibrio y toma de decisiones secuenciales mediante redes Q profundas.
