Python Machine Learning Blueprints
Alexander T. Combs
- Editorial
- Packt
- Año
- 2016
- Páginas
- ~332
- Nivel
- Intermedio
De qué trata
Guía práctica y estructurada por Alexander T. Combs que propone abordar el aprendizaje automático a través de soluciones completas y proyectos del mundo real con Python (trabajando en entornos Python 2.7/3.x con librerías consolidadas de la época como scikit-learn 0.17+). Está dirigida a desarrolladores, analistas y profesionales de datos de nivel intermedio que ya manejan la sintaxis de Python y los fundamentos básicos de estadística y álgebra lineal, pero buscan dar el salto desde scripts teóricos aislados hacia aplicaciones de software funcionales.
El autor enseña a gestionar el flujo integral de ciencia de datos: adquisición de datos sin procesar, limpieza, ingeniería de variables, modelado predictivo, evaluación de métricas y despliegue. Para ello se apoya en el núcleo científico de Python (scikit-learn, pandas, NumPy, matplotlib), herramientas de scraping e inspección del DOM (como BeautifulSoup), servicios de automatización de eventos como IFTTT y librerías especializadas. A lo largo del temario se aplican algoritmos de regresión lineal y logística, clustering no supervisado para detección de anomalías, Support Vector Regression (SVR), Dynamic Time Warping (DTW), redes neuronales para procesamiento de imágenes y técnicas de filtrado colaborativo y procesamiento del lenguaje natural (NLP).
El núcleo didáctico consiste en desarrollar paso a paso nueve proyectos prácticos («blueprints»), que van desde tasadores inmobiliarios y detectores de vuelos baratos hasta motores de recomendación y chatbots. Su mayor atractivo reside en desmitificar los algoritmos vinculándolos directamente con problemas cotidianos de negocio; no obstante, al haber sido publicado en 2016, varias APIs externas y sintaxis de librerías han quedado desfasadas frente a versiones modernas, por lo que el lector debe valorar sobre todo las decisiones de diseño arquitectónico y el razonamiento analítico de cada caso.
- Python
- scikit-learn
- pandas
- NumPy
- Web Scraping
- Regresión
- Clustering
- Series temporales
- NLP
- Visión por computadora
- Sistemas de recomendación
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Buscador de apartamentos con descuento
Aplicación que extrae listados de inmuebles web, limpia los datos y aplica modelos de regresión lineal con scikit-learn para estimar el precio justo de mercado e identificar alquileres infravalorados.
Detector de vuelos baratos
Herramienta de monitorización y scraping de pasajes aéreos que procesa el DOM, detecta tarifas atípicas mediante algoritmos de clustering no supervisado y emite avisos automáticos integrados con IFTTT.
Pronosticador del mercado de salidas a bolsa (IPO)
Modelo de clasificación binaria que procesa variables financieras históricas de ofertas públicas iniciales para predecir si una acción será rentable en su debut mediante regresión logística.
Lector de noticias personalizado
Agregador y clasificador de texto que procesa artículos mediante técnicas de NLP y organiza el contenido en un canal personalizado adaptado a los intereses temáticos del usuario.
Predictor de viralidad de contenidos
Sistema de analítica predictiva que analiza y extrae características de textos, titulares e imágenes para estimar el potencial de viralización de una publicación.
Pronosticador del mercado bursátil
Pipeline de análisis de series temporales financieras que formula estrategias de inversión y anticipa oscilaciones de precios aplicando Support Vector Regression (SVR) y Dynamic Time Warping (DTW).
Motor de similitud de imágenes
Aplicación de visión artificial que extrae representaciones vectoriales de colecciones de fotos y recupera elementos visualmente afines empleando arquitecturas neuronales básicas.
Chatbot conversacional
Agente de diálogo interactivo diseñado para interpretar consultas en lenguaje natural y responder secuencias de texto siguiendo reglas de procesamiento conversacional.
Motor de recomendación
Sistema de filtrado colaborativo y basado en contenido que analiza el historial de interacción y consumo de usuarios para sugerir repositorios pertinentes en GitHub.
