El aprendizaje en conjunto implica la combinación de las predicciones de múltiples modelos de aprendizaje de máquinas.
El efecto puede ser tanto una mejora en el rendimiento de las predicciones como una menor variabilidad de las predicciones realizadas por el modelo.
Los métodos de ensamblaje se tratan en la mayoría de los libros de texto sobre el aprendizaje de las máquinas; sin embargo, hay libros dedicados al tema.
En este post, descubrirán los mejores libros sobre el tema del aprendizaje de las máquinas de ensamblaje.
Después de leer este post, lo sabrás:
- Libros sobre el aprendizaje en conjunto, incluyendo su tabla de contenidos y dónde aprender más sobre ellos.
- Secciones y capítulos sobre aprendizaje en conjunto en los libros de texto más populares y comunes sobre aprendizaje de máquinas.
- Recomendaciones de libros para los practicantes de aprendizaje automático interesados en el aprendizaje en conjunto.
Empecemos.
Lista de libros de aprendizaje en conjunto
Los libros dedicados al tema del aprendizaje en conjunto que cubriremos son los siguientes:
- Métodos de conjuntos supervisados y no supervisados y sus aplicaciones, 2008.
- Clasificación de patrones usando métodos de conjunto, 2010.
- Aprendizaje en conjunto, 2019.
- Ensemble Methods in Data Mining, 2010.
- Métodos de ensamblaje, 2012.
- Ensemble Machine Learning, 2012.
También hay algunos libros de Packt, pero no los revisaré; lo son:
¿Me perdí un libro sobre aprendizaje de conjuntos?
Hágamelo saber en los comentarios de abajo.
¿Ha leído alguno de estos libros sobre aprendizaje en grupo?
¿Qué te pareció? Hágamelo saber en los comentarios.
Echemos un vistazo más de cerca a estos libros, incluyendo su autor, tabla de contenidos y dónde aprender más.
Métodos de conjunto supervisados y no supervisados y sus aplicaciones
El título completo de este libro es «Supervised and Unsupervised Ensemble Methods and their Applications» y fue editado por Oleg Okun y Giorgio Valentini y publicado en 2008.
Métodos de conjunto supervisados y no supervisados y sus aplicaciones
Este libro es una colección de artículos académicos de diferentes autores sobre el tema de las aplicaciones del aprendizaje en conjunto.
El libro incluye nueve capítulos divididos en dos partes, reuniendo las contribuciones a las aplicaciones de los conjuntos supervisados y no supervisados.
– Página VIII, Métodos de ensamblaje supervisados y no supervisados y sus aplicaciones, 2008.
Índice
- Parte I: Conjuntos de métodos de agrupación y sus aplicaciones
- Capítulo 01: Métodos de ensamblaje de cúmulos: De agrupaciones simples a soluciones combinadas
- Capítulo 02: Ensambles subespaciales aleatorios para agrupar datos categóricos
- Capítulo 03: Agrupación de conjuntos con un enfoque difuso
- Capítulo 04: Clustering colaborativo multi-estratégico para el análisis de imágenes orientado a objetos
- Parte II: Conjuntos de métodos de clasificación y sus aplicaciones
- Capítulo 05: Detección de intrusión en sistemas de computación usando múltiples sistemas de clasificación
- Capítulo 06: Conjuntos de vecinos más cercanos para la clasificación del cáncer basado en la expresión genética
- Capítulo 07: Clasificación de series temporales multivariadas mediante el apilamiento de clasificadores univariados
- Capítulo 08: GARCH de potenciación de gradientes y redes neuronales para la predicción de series temporales
- Capítulo 09: Cascada con VDM y árboles de decisión binarios para datos nominales
Por lo general, no recomendaría este libro a los practicantes de aprendizaje automático a menos que una de las aplicaciones cubiertas por el libro esté directamente relacionada con su proyecto actual.
Puedes aprender más sobre este libro aquí:
Clasificación de patrones usando métodos de conjunto
El título completo de este libro es «Pattern Classification Using Ensemble Methods» y fue escrito por Lior Rokach y publicado en 2010.
Clasificación de patrones usando métodos de conjunto
Este libro proporciona una introducción técnica al tema del aprendizaje de la máquina de conjunto escrito para estudiantes y académicos.
A lo largo del libro se hizo especial hincapié en el uso extensivo de ejemplos ilustrativos. Por consiguiente, además de la teoría de conjuntos, se proporciona al lector una abundancia de aplicaciones tanto artificiales como del mundo real en una amplia gama de campos. Los datos a los que se hace referencia en este libro, así como la mayoría de las implementaciones en Java de los algoritmos presentados, pueden obtenerse a través de la Web.
– Página viii, Clasificación de patrones usando métodos de conjunto, 2010.
Índice
- Capítulo 01: Introducción a la clasificación de patrones
- Capítulo 02: Introducción al aprendizaje en conjunto
- Capítulo 03: Clasificación del conjunto
- Capítulo 04: Diversidad del conjunto
- Capítulo 05: Selección del conjunto
- Capítulo 06: Corrección de errores en los códigos de salida
- Capítulo 07: Evaluación de los conjuntos de clasificadores
Me gusta el nivel de este libro. Es técnico, pero no demasiado, y se mantiene basado en las preocupaciones de usar algoritmos de conjunto en proyectos supervisados de modelado predictivo. Creo que es un buen libro de texto sobre el aprendizaje en conjunto para los profesionales.
Puedes aprender más sobre este libro aquí:
Aprendizaje en conjunto
El título completo de este libro es «Aprendizaje en conjunto»: Pattern Classification Using Ensemble Methods» y fue escrito por Lior Rokach y publicado en 2019.
Clasificación de patrones de aprendizaje en conjunto usando métodos de conjunto
Esta es una actualización directa del libro «Pattern Classification Using Ensemble Methods» y se le ha dado un título diferente.
La primera edición de este libro se publicó hace una década. El libro fue bien recibido por las comunidades de aprendizaje automático y ciencia de los datos y fue traducido al chino. […] La segunda edición tiene por objeto actualizar el material presentado anteriormente sobre las áreas fundamentales y presentar nuevos hallazgos en este campo; más de una tercera parte de esta edición está compuesta por material nuevo.
– Página vii, Aprendizaje en conjunto: Clasificación de patrones usando métodos de conjunto, 2019.
Índice
- Capítulo 01: Introducción al aprendizaje automático
- Capítulo 02: Árboles de clasificación y regresión
- Capítulo 03: Introducción al aprendizaje en conjunto
- Capítulo 04: Clasificación del conjunto
- Capítulo 05: Máquinas de aumento de gradiente
- Capítulo 06: Diversidad del conjunto
- Capítulo 07: Selección del conjunto
- Capítulo 08: Corrección de errores en los códigos de salida
- Capítulo 09: Evaluación de los clasificadores de conjuntos
Este es un gran libro de texto sobre el aprendizaje en conjunto para estudiantes y practicantes y se prefiere a «Clasificación de patrones usando métodos de conjunto«si debes elegir entre los dos.
Puedes aprender más sobre este libro aquí:
Métodos de conjunto en la minería de datos
El título completo de este libro es «Métodos de conjunto en la minería de datos»: Mejorando la precisión
A través de la combinación de predicciones» y fue escrito por Giovanni Seni y John Elder y publicado en 2010.
Métodos de conjunto en la minería de datos
Este es un libro técnico sobre conjuntos, aunque los conceptos se demuestran con ejemplos completos en R.
Este libro está dirigido a investigadores y profesionales analíticos novatos y avanzados, especialmente en Ingeniería, Estadística y Ciencias de la Computación. Aquellos con poca exposición a los conjuntos aprenderán por qué y cómo emplear este método de avance, y los practicantes avanzados obtendrán una visión para construir modelos aún más poderosos. A lo largo de todo el curso, se proporcionan fragmentos de código en R para ilustrar los algoritmos descritos y para animar al lector a probar la técnica.
– Página i, Ensemble Methods in Data Mining, 2010.
Índice
- Capítulo 01: Conjuntos descubiertos
- Capítulo 02: Aprendizaje predictivo y árboles de decisión
- Capítulo 03: Complejidad del modelo, selección del modelo y regularización
- Capítulo 04: Muestreo de importancia y los métodos de ensamblaje clásico
- Capítulo 05: Conjuntos de reglas y estadísticas de interpretación
- Capítulo 06: Complejidad del conjunto
- Apéndice A: Equivalencia AdaBoost al procedimiento FSF
- Apéndice B: Funciones de potenciación del gradiente y pérdida robusta
Creo que este es el primer libro que compré sobre el aprendizaje en conjunto hace años. Es un buen curso intensivo de aprendizaje en conjunto para los practicantes, especialmente los que ya usan R. Puede ser un poco demasiado matemático para la mayoría de los practicantes; sin embargo, creo que podría ser un buen sustituto más pequeño para el libro de texto anterior sobre métodos de conjunto.
Puedes aprender más sobre este libro aquí:
Métodos de ensamblaje
El título completo de este libro es «Métodos de Ensamble»: Fundamentos y algoritmos» y fue escrito por Zhi-Hua Zhou y publicado en 2012.
Métodos de ensamblaje: Fundamentos y algoritmos
Este es otro libro de texto enfocado en el tema de aprendizaje en conjunto dirigido a estudiantes y académicos.
Este libro proporciona a los investigadores, estudiantes y practicantes una introducción a los métodos de ensamblaje. El libro consta de ocho capítulos que naturalmente constituyen tres partes.
– Página vii, Métodos de ensamblaje: Fundamentos y algoritmos, 2012.
Índice
- Capítulo 01: Introducción
- Capítulo 02: Impulsando
- Capítulo 03: Embolsado
- Capítulo 04: Métodos de combinación
- Capítulo 05: Diversidad
- Capítulo 06: Poda en conjunto
- Capítulo 07: Agrupación de conjuntos
- Capítulo 08: Temas avanzados
Este libro está bien escrito y cubre los principales métodos con buenas referencias. Creo que es otro gran salto en los fundamentos de los métodos de conjunto siempre que el lector se sienta cómodo con un poco de matemáticas. Me gustaron las descripciones de los algoritmos y los ejemplos de trabajo.
Puedes aprender más sobre este libro aquí:
Aprendizaje en conjunto de la máquina
El título completo de este libro es «Aprendizaje en conjunto de la máquina»: Métodos y Aplicaciones» y fue editado por Cha Zhang y Yunqian Ma y publicado en 2012.
Aprendizaje en conjunto de la máquina
Este libro es una colección de artículos académicos escritos por una serie de autores sobre el tema de las aplicaciones del aprendizaje de las máquinas de conjunto.
A pesar del gran éxito de los métodos de aprendizaje en conjunto recientemente, encontramos muy pocos libros que se dedicaran a este tema, y aún menos que proporcionaran ideas sobre cómo se aplicarán dichos métodos en las aplicaciones del mundo real. El objetivo principal de este libro es llenar el vacío existente en la literatura y cubrir exhaustivamente el estado de los métodos de aprendizaje de conjunto más avanzados, y proporcionar un conjunto de aplicaciones que demuestren los diversos usos de los métodos de aprendizaje de conjunto en el mundo real.
– Página v, Ensemble Machine Learning: Métodos y aplicaciones, 2012.
Índice
- Capítulo 01: Aprendizaje en conjunto
- Capítulo 02: Algoritmos de potenciación: Una revisión de los métodos, la teoría y las aplicaciones
- Capítulo 03: Aumentar los estimadores del núcleo
- Capítulo 04: Aprendizaje dirigido
- Capítulo 05: Bosques al azar
- Capítulo 06: Aprendizaje en conjunto por medio del aprendizaje de correlación negativa
- Capítulo 07: Conjunto Nystrom
- Capítulo 08: Detección de objetos
- Capítulo 09: Impulso del clasificador para el reconocimiento de la actividad humana
- Capítulo 10: Aprendizaje discriminatorio para la detección y segmentación de la estructura anatómica
- Capítulo 1: Bosque aleatorio para la bioinformática
Al igual que otras colecciones de artículos, en general no recomendaría este libro a menos que sea un académico o que uno de los capítulos esté directamente relacionado con su actual proyecto de aprendizaje de la máquina. Sin embargo, muchos de los capítulos proporcionan una introducción sólida y compacta a los métodos de ensamblaje y a cómo utilizarlos en aplicaciones específicas.
Puedes aprender más sobre este libro aquí:
Capítulos de libros
Muchos libros de texto de aprendizaje de máquinas tienen secciones sobre el aprendizaje en conjunto.
En esta sección, haremos un rápido recorrido por algunos de los libros de texto más populares y las secciones relevantes sobre el aprendizaje en conjunto.
El libro «An Introduction to Statistical Learning with Applications in R», publicado en 2016, ofrece una sólida introducción a la potenciación y el embolsamiento de los árboles de decisión en el capítulo 8.
- Sección 8.2: Embolsar, RandomForests, Reforzar
El libro «Applied Predictive Modeling», publicado en 2013, abarca los algoritmos de conjunto más populares con ejemplos en R, centrándose en los conjuntos de árboles de decisión.
- Capítulo 8: Árboles de regresión y modelo basado en reglas
- Capítulo 14: Árboles de clasificación y modelos basados en reglas
El libro «Data Mining»: Practical Machine Learning Tools and Techniques», publicado en 2016, ofrece un capítulo dedicado al aprendizaje en conjunto y abarca una serie de técnicas populares, como el boosting, el embolsado y el apilamiento.
- Capítulo 12: Aprendizaje en conjunto.
El libro «Machine Learning»: A Probabilistic Perspective», publicado en 2012, ofrece una serie de secciones sobre algoritmos que realizan ensamblaje, así como una sección dedicada al tema centrada en el apilamiento y la corrección de errores de los códigos de salida.
- Sección 16.2: Árboles de clasificación y regresión (CART)
- Sección 16.4: Impulso
- Sección 16.6: Aprendizaje en conjunto
El libro «The Elements of Statistical Learning», publicado en 2016, cubre los algoritmos clave para el aprendizaje en conjunto, así como la teoría para el aprendizaje en conjunto en general.
- Capítulo 8: Inferencia y promedio del modelo
- Capítulo 10: Árboles impulsores y aditivos
- Capítulo 15: Bosques al azar
- Capítulo 16: Aprendizaje en conjunto
¿Me perdí tu libro favorito de aprendizaje de máquinas que tiene una sección de aprendizaje en conjunto?
Hágamelo saber en los comentarios de abajo.
Recomendaciones
Tengo una copia de cada uno de estos libros ya que me gusta leer sobre un tema determinado desde múltiples perspectivas.
Si busca un libro de texto sólido dedicado al tema del aprendizaje en conjunto, le recomendaría uno de los siguientes:
Un subcampeón cercano es «Métodos de conjunto en la minería de datos«que mezcla la teoría y los ejemplos en R.
Además, recomiendo «Clasificación de patrones usando métodos de conjunto«si no puedes conseguir el más reciente»Aprendizaje en conjunto: Clasificación de patrones usando métodos de conjunto“.
Resumen
En este post, descubriste un conjunto de libros sobre el tema del aprendizaje de la máquina de ensamblaje.
¿Tiene alguna pregunta?
Haga sus preguntas en los comentarios de abajo y haré lo posible por responder.
