Active Machine Learning with Python

Guía técnica especializada de Margaux Masson-Forsythe enfocada en el aprendizaje activo (Active Learning) y los flujos con humanos en el bucle (Human-in-the-Loop) utilizando Python 3.10+. Su objetivo es abordar el principal cuello de botella de la inteligencia artificial moderna: el alto coste y tiempo que exige el etiquetado manual de datos. Está pensada para ingenieros de machine learning, científicos de datos y líderes técnicos con nivel intermedio que dominan el entrenamiento supervisado y buscan entrenar modelos de alto rendimiento con una fracción reducida de ejemplos etiquetados.

El temario profundiza en las estrategias de consulta (query strategies), tales como el muestreo por incertidumbre (uncertainty sampling), consulta por comité (query-by-committee), cambio esperado del modelo y muestreo basado en flujos (stream-based) o reservas (pool-based). Asimismo, examina cómo mitigar problemas habituales de datos del mundo real como el desbalance de clases, la redundancia y la deriva conceptual (concept drift). En el plano práctico utiliza modAL-python, PyTorch, Torchvision, Scikit-learn, Ultralytics (YOLO), Lightly (aprendizaje autosupervisado), Hugging Face Transformers, OpenCV, ClearML y plataformas de anotación como Encord y Roboflow.

Los proyectos y casos prácticos se centran fuertemente en visión por computador: clasificación de imágenes, detección de objetos con YOLO, segmentación semántica y selección inteligente de fotogramas clave en grandes volúmenes de vídeo para minimizar el esfuerzo del anotador humano. El gran aporte del libro radica en dotar al desarrollador de un enfoque estratégico y económico para la curación de datasets industriales. Deja fuera la matemática teórica de optimización de redes neuronales y el ajuste fino de modelos masivos de lenguaje (LLMs), concentrándose puramente en el ciclo de adquisición de datos. Conviene tener solidez previa en PyTorch y visión artificial básica.