Detalles MARC
| 000 -CABECERA |
|---|
| Longitud fija campo de control |
04245nam a2200397 i 4500 |
| 001 - NÚMERO DE CONTROL |
|---|
| Número de control |
36387 |
| 003 - IDENTIFICADOR DELl NÚMERO DE CONTROL |
|---|
| Identificador del número de control |
CO-SiCUC |
| 005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN |
|---|
| Fecha y hora de la última transacción |
20240919114559.0 |
| 007 - CAMPO FIJO DE DESCRIPCIÓN FÍSICA |
|---|
| Campo fijo de descripción física |
ta |
| 008 - CÓDIGOS DE INFORMACIÓN DE LONGITUD FIJA |
|---|
| Códigos de información de longitud fija |
240919s2023 ck da g 000 0 spa d |
| 020 ## - NÚMERO INTERNACIONAL NORMALIZADO PARA LIBROS |
|---|
| Número Internacional Normalizado para Libros (ISBN) |
9789587788891 |
| 035 ## - NÚMERO DE CONTROL DEL SISTEMA |
|---|
| Número de control del sistema |
(CO-SiCUC) 36387 |
| 040 ## - FUENTE DE LA CATALOGACIÓN |
|---|
| Centro catalogador de origen |
CO-SiCUC |
| Lengua de catalogación |
spa |
| Centro transcriptor |
CO-SiCUC |
| Centro modificado |
CO-SiCUC |
| Normas de descripción |
rda |
| 041 0# - CÓDIGO DE LENGUA |
|---|
| Código de lengua del texto-banda sonora o título independiente |
spa |
| 082 04 - NÚMERO DE LA CLASIFICACIÓN DECIMAL DEWEY |
|---|
| Número de clasificación Decimal |
006.31 |
| Número de documento (Cutter) |
R223m 2023 |
| Número de edición DEWEY |
23 |
| 100 1# - PUNTO DE ACCESO PRINCIPAL-NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Raschka, Sebastian. |
| Código de función |
aut |
| Término indicativo de función |
autor |
| 9 (RLIN) |
65187 |
| 245 10 - TÍTULO PROPIAMENTE DICHO |
|---|
| Título |
Machine learning con pytorch y scikit-learn : |
| Resto del título |
desarrollo de modelos de machine learning y deep learning con python / |
| Mención de responsabilidad, etc. |
Sebastian Raschka, Yuxi (Hayden) Liu y Vahid Mirjalili ; prólogo, Dmytro Dzhulgakov. |
| 250 ## - MENCIÓN DE EDICIÓN |
|---|
| Mención de edición |
Primera edición. |
| 264 #1 - PRODUCCIÓN, PUBLICACIÓN , DISTRIBUCIÓN, FABRICACIÓN Y COPYRIGHT |
|---|
| Lugar de producción, publicación, distribución, fabricación |
Bogotá : |
| Nombre del productor, editor, distribuidor, fabricante |
Marcombo : Alpha Editorial, |
| Fecha de de producción, publicación, distribución, fabricación o copyright |
2023. |
| 300 ## - DESCRIPCIÓN FÍSICA |
|---|
| Extensión |
xxvii, 771 páginas : |
| Otras características físicas |
gráficas, ilustraciones ; |
| Dimensiones |
24 cm |
| 336 ## - TIPO DE CONTENIDO |
|---|
| Fuente |
rdacontent |
| Término de tipo de contenido |
texto |
| Código de tipo de contenido |
txt |
| 337 ## - TIPO DE MEDIO |
|---|
| Fuente |
rdamedia |
| Nombre del tipo de medio |
sin mediación |
| Código del tipo de medio |
n |
| 338 ## - TIPO DE SOPORTE |
|---|
| Fuente |
rdacarrier |
| Nombre del tipo de soporte |
volumen |
| Código del tipo de soporte |
nc |
| 490 0# - MENCIÓN DE SERIE |
|---|
| Mención de serie |
Python Machine Learning |
| 490 0# - MENCIÓN DE SERIE |
|---|
| Mención de serie |
Visión de Expertos |
| 505 1# - NOTA DE CONTENIDO CON FORMATO |
|---|
| Nota de contenido con formato |
1. Dotar a los ordenadores de la capacidad de aprender de los datos. -- 2. Entrenamiento de algoritmos sencillos de aprendizaje automático para tareas de clasificación. -- 3. Un recorrido por los clasificadores de aprendizaje automático con Scikit-learn. -- 4. Elaboración de conjuntos de datos de entrenamiento adecuados: preprocesamiento. -- 5. Comprensión de datos mediante la reducción de la dimensionalidad. -- 6. Aprendizaje de las mejores prácticas para la evaluación de modelos y el ajuste de hiperparámetros. -- 7. Combinación de diferentes modelos para el aprendizaje de conjunto. -- 8. Aplicación del aprendizaje automático al análisis de opiniones. -- 9. Pronóstico de variables objetivo continuas con análisis de regresión. -- 10. El trabajo con datos no etiquetados: análisis de clustering. -- 11. Implementación de una red neuronal artificial multicapa desde cero. -- 12. Paralelización de redes neuronales con PyTorch. -- 13. Profundización: La mecánica de PyTorch. -- 14. Clasificación de imágenes con redes neuronales convolucionales profundas. -- 15. Modelado de datos secuenciales mediante redes neuronales recurrentes. -- 16. Transformadores: mejora del procesamiento del lenguaje natural con mecanismos de atención. -- 17. Redes generativas antagónicas con las que sintetizar nuevos datos. -- 18. Redes neuronales de grafos para captar las dependencias en datos estructurados en grafos. -- 19. Aprendizaje reforzado para la toma de decisiones. |
| 520 3# - NOTA DE SUMARIO |
|---|
| Sumario, etc, |
En los últimos años, los métodos de Machine Learning (en castellano, aprendizaje automático), con su capacidad para dar sentido a grandes cantidades de datos y automatizar decisiones, han encontrado amplias aplicaciones en la sanidad, la robótica, la biología, la física, los productos de consumo, los servicios de Internet y otros sectores.<br/>Los saltos de gigante en la ciencia suelen provenir de una combinación de ideas poderosas y grandes herramientas. El aprendizaje automático no es una excepción. El éxito de los métodos de aprendizaje basados en datos se debe a las ingeniosas ideas de miles de investigadores con talento a lo largo de los 60 años de historia en este campo. Pero su reciente popularidad también se debe a la evolución de las soluciones de hardware y software que los hacen escalables y accesibles. El ecosistema de excelentes librerías para la computación numérica, el análisis de datos y el aprendizaje automático creadas en torno a Python, como NumPy y Scikit-learn, ha conseguido una amplia acogida en la investigación y la industria. Esto ha contribuido en gran medida a que Python sea el lenguaje de programación más popular. |
| Fuente proveedora |
Recuperado de: https://www.alpha-editorial.com/Papel/9789587788891/Machine+Learning+Con+Pytorch+Y+Scikit-Learn |
| 590 ## - NOTAS LOCALES |
|---|
| Nota local |
Ingeniería de Sistemas |
| 650 17 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento inicial |
Python |
| Subdivisión de materia general |
Lenguaje de programación de computadores |
| Fuente del encabezamiento o término |
armarc. |
| 9 (RLIN) |
48755 |
| 650 14 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento inicial |
Automatización de datos. |
| 9 (RLIN) |
65188 |
| 650 17 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento inicial |
Lenguaje de programación |
| Fuente del encabezamiento o término |
armarc. |
| 9 (RLIN) |
291 |
| 700 1# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Liu, Yuxi (Hayden). |
| Código de función |
aut |
| Término indicativo de función |
autor |
| 9 (RLIN) |
65189 |
| 700 1# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Mirjalili, Vahid. |
| Código de función |
aut |
| Término indicativo de función |
autor |
| 9 (RLIN) |
65190 |
| 700 1# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Dzhulgakov, Dmytro. |
| Código de función |
pról |
| Término indicativo de función |
prólogo |
| 9 (RLIN) |
65191 |
| 942 ## - ENTRADA DE ELEMENTOS AGREGADOS (KOHA) |
|---|
| Fuente de clasificaión o esquema |
|
| Koha [por defecto] tipo de item |
Libros |
