handson unsupervised learning

Aprendizaje práctico no supervisado con Python

Este repositorio contiene el código del libro de O'Reilly Media, Inc. "Aprendizaje práctico no supervisado con Python: cómo crear soluciones de aprendizaje automático aplicadas a partir de datos sin etiquetar" de Ankur A. Patel.

Sitio web oficial del libro: https://www.unsupervisedlearningbook.com/thebook

Disponible en Amazon: https://www.amazon.com/Hands-Unsupervised-Learning-Using-Python/dp/1492035645

Disponible en O'Reilly Safari: https://www.oreilly.com/library/view/hands-on-unsupervised-learning/9781492035633/

Más sobre el autor: https://www.ankurapatel.io

Actualizaciones de lanzamiento

Mayo de 2021: Se agregó soporte para TensorFlow 2.x, ejemplos de Fashion MNIST y Tensorboard para reducción de dimensionalidad.

Descripción del libro

Muchos expertos de la industria consideran que el aprendizaje no supervisado es la próxima frontera de la inteligencia artificial, una que puede contener la clave para el santo grial en la investigación de la IA, la llamada inteligencia artificial general. Dado que la mayoría de los datos del mundo no están etiquetados, no se puede aplicar el aprendizaje supervisado convencional; aquí es donde entra en juego el aprendizaje no supervisado. El aprendizaje no supervisado se puede aplicar a conjuntos de datos sin etiquetar para descubrir patrones significativos enterrados en lo profundo de los datos, patrones que pueden ser casi imposibles de descubrir para los humanos.

El autor Ankur Patel proporciona conocimientos prácticos sobre cómo aplicar el aprendizaje no supervisado utilizando dos marcos Python simples y listos para producción: scikit-learn y TensorFlow. Con los ejemplos prácticos y el código proporcionado, identificará patrones difíciles de encontrar en los datos y obtendrá una visión empresarial más profunda, detectará anomalías, realizará ingeniería y selección automática de funciones y generará conjuntos de datos sintéticos. Todo lo que necesitas es programación y algo de experiencia en aprendizaje automático para comenzar.

• Compare las fortalezas y debilidades de los diferentes enfoques de aprendizaje automático: aprendizaje supervisado, no supervisado y por refuerzo.
• Configure y administre un proyecto de aprendizaje automático de principio a fin: todo, desde la adquisición de datos hasta la creación de un modelo y la implementación de una solución en producción.
• Utilice algoritmos de reducción de dimensionalidad para descubrir la información más relevante en los datos y crear un sistema de detección de anomalías para detectar fraudes con tarjetas de crédito.
• Aplicar algoritmos de agrupación para segmentar a los usuarios, como los prestatarios de préstamos, en grupos distintos y homogéneos.
• Utilice codificadores automáticos para realizar ingeniería y selección automática de funciones.
• Combine algoritmos de aprendizaje supervisados ​​y no supervisados ​​para desarrollar soluciones semisupervisadas
• Cree sistemas de recomendación de películas utilizando máquinas Boltzmann restringidas
• Genere imágenes sintéticas utilizando redes de creencias profundas y redes generativas de confrontación.
• Realizar agrupaciones de datos de series temporales, como electrocardiogramas.
• Explore los éxitos del aprendizaje no supervisado hasta la fecha y su futuro prometedor

Colaboración de Google

Si desea utilizar Google Colab (en lugar de su máquina local), siga estas instrucciones para ejecutar el código en Google Colab.

Configurar el entorno principal de Conda

Si desea ejecutar este repositorio en su máquina local, siga estas instrucciones a continuación.

1. Si está en macOS, instale las herramientas de línea de comandos de Xcode usando xcode-select --install en la Terminal.

2. Instale la distribución Miniforge de Python 3.8 según su sistema operativo. Si está en Windows, puede elegir la distribución Anaconda de Python 3.8 en lugar de la distribución Miniforge, si lo desea.

3. Para compatibilidad con GPU NVIDIA, instale CUDA 11.0. Esto solo está disponible en determinadas GPU NVIDIA.

4. Configure el nuevo entorno Anaconda y siga estas instrucciones según su sistema operativo.

Para ventanas :

 ```
conda env create -f environment_windows.yml
conda activate unsupervisedLearning
pip install -r requirements_windows.txt
```

Para MacOS :

 ```
conda env create -f environment_mac.yml
conda activate unsupervisedLearning
pip install -r requirements_mac.txt
```

5. Descargue datos de Google Drive (los archivos son demasiado grandes para almacenarlos y acceder a ellos en Github).

    https://drive.google.com/drive/folders/1TQVOPUU4tVOYZvdpbxUo6uOCh0jvWNhv?usp=sharing
   

6. Ejecute los cuadernos usando Jupyter.

    jupyter notebook
   

7. Si encuentra algún problema o error con la configuración, el código o cualquier otra cosa, envíe un correo electrónico al autor a [email protected].

Configurar TensorFlow para el entorno Conda de macOS

Siga estas instrucciones para configurar TensorFlow para macOS.

Para MacOS :

 ```
conda env create -f environment_tensorflow_mac.yml
conda activate tensorflow_mac
pip install -r requirements_tensorflow_mac.txt

For Apple Silicon Mac (M1):
	pip install --upgrade --force --no-dependencies https://github.com/apple/tensorflow_macos/releases/download/v0.1alpha3/tensorflow_macos-0.1a3-cp38-cp38-macosx_11_0_arm64.whl https://github.com/apple/tensorflow_macos/releases/download/v0.1alpha3/tensorflow_addons_macos-0.1a3-cp38-cp38-macosx_11_0_arm64.whl

For Intel Mac:
	pip install --upgrade --force --no-dependencies https://github.com/apple/tensorflow_macos/releases/download/v0.1alpha3/tensorflow_macos-0.1a3-cp38-cp38-macosx_11_0_x86_64.whl https://github.com/apple/tensorflow_macos/releases/download/v0.1alpha3/tensorflow_addons_macos-0.1a3-cp38-cp38-macosx_11_0_x86_64.whl 
```

Consulte esta guía de TensorFlow para macOS si tiene problemas o contáctenos.