Sebastian Raschka

Si está listo para aventurarse más allá de los conceptos introductorios e indagar en el aprendizaje automático, en el aprendizaje profundo y en la inteligencia artificial (IA), el formato de preguntas y respuestas que presenta el libro El Machine Learning y la IA le facilitara mucho las cosas. Nacido de las cuestiones que a menudo se plantea el autor, Sebastian Raschka, este libro muestra un metodo directo y sin rodeos para acercarle a temas avanzados, que presenta de forma rapida y accesible. Cada capitulo es breve y autonomo, y aborda una cuestion fundamental de la IA, desvelandola con explicaciones claras, diagramas y ejercicios practicos. En esta lectura encontrara: CAPITULOS CONCISOS: Las preguntas clave de la IA se responden de forma sencilla y las ideas complejas se desglosan en piezas faciles de digerir. GAMA AMPLIA DE TEMAS: Raschka cubre temas que van desde la arquitectura de las redes neuronales y la evaluacion de los modelos hasta la vision informatica y el procesamiento del lenguaje natural. USOS PRACTICOS: Conocera tecnicas para mejorar el rendimiento de los modelos, afinar modelos grandes y mucho mas. Tambien aprendera a: ' Gestionar las distintas fuentes de aleatoriedad en la formacion de redes neuronales ' Diferenciar entre arquitecturas de codificador y decodificador en modelos de lenguaje grandes ' Reducir el sobreajuste con modificaciones de datos y modelos ' Construir intervalos de confianza para clasificadores y optimizar los modelos con datos etiquetados limitados ' Elegir entre paradigmas distintos de formacion multi-GPU y tipos diferentes de modelos de IA generativa ' Comprender las metricas de rendimiento para el procesamiento del lenguaje natural ' Dar sentido a los sesgos inductivos en los transformadores de vision Si busca el recurso perfecto para mejorar su comprension del aprendizaje automatico, El Machine Learning y la IA le ayudara a avanzar facilmente en este camino. ACERCA DEL AUTOR Sebastian Raschka, PhD, es un investigador de aprendizaje automatico y educador en inteligencia artificial de Lightning AI, entusiasta por hacer que la inteligencia artificial sea mas accesible. El Dr. Raschka, exprofesor asistente de estadistica en la Universidad de Wisconsin-Madison, donde se especializo en investigacion del aprendizaje automatico, es el autor de los libros Python Machine Learning y Machine Learning con PyTorch y Scikit-Learn, ambos publicados en español en Marcombo. Encontrara mas informacion sobre sus proyectos en: https://sebastianraschka.com.

El aprendizaje automático está invadiendo el mundo del software. Si quieres entender y trabajar la vanguardia del aprendizaje automático, las redes neuronales y el aprendizaje profundo, esta segunda edicion del bestseller Python Machine Learning, es tu libro. Modernizado y ampliado para incluir las tecnologias de codigo abierto mas recientes, como scikit-learn, Keras y TensorFlow, este manual proporciona el conocimiento practico y las tecnicas necesarias para crear eficaces aplicaciones de aprendizaje automatico y aprendizaje profundo en Python. El conocimiento y la experiencia unicos de Sebastian Raschka y Vahid Mirjalili presentan los algoritmos de aprendizaje automatico y aprendizaje profundo, antes de continuar con temas avanzados en analisis de datos. Combinan los principios teoricos del aprendizaje automatico con un enfoque practico de codificacion para una comprension completa de la teoria del aprendizaje automatico y la implementacion con Python. Aprenderas a: Explorar y entender los frameworks clave para la ciencia de datos, el aprendizaje automatico y el aprendizaje profundo Formular nuevas preguntas sobre datos con modelos de aprendizaje automatico y redes neuronales Aprovechar el poder de las ultimas librerias de codigo abierto de Python para aprendizaje automatico Dominar la implementacion de redes neuronales profundas con la libreria de TensorFlow Incrustar modelos de aprendizaje automaticos en aplicacions web accesibles Predecir resultados objetivos continuos con analisis de regresion Descubrir patrones ocultos y estructuras en datos con agrupamientos Analizar imagenes mediante tecnicas de aprendizaje profundo Profundizar en datos de medios sociales y textuales con el analisis de sentimientos

El físico Richard P. Feynman afirmó: «No comprendo lo que no puedo crear». Inspirado en este principio, Sebastian Raschka ofrece en este libro una guía práctica y detallada para construir un modelo d

Si está listo para aventurarse más allá de los conceptos introductorios e indagar en el aprendizaje automático, en el aprendizaje profundo y en la inteligencia artificial (IA), el formato de preguntas y respuestas que presenta el libro El Machine Learning y la IA le facilitara mucho las cosas. Nacido de las cuestiones que a menudo se plantea el autor, Sebastian Raschka, este libro muestra un metodo directo y sin rodeos para acercarle a temas avanzados, que presenta de forma rapida y accesible. Cada capitulo es breve y autonomo, y aborda una cuestion fundamental de la IA, desvelandola con explicaciones claras, diagramas y ejercicios practicos.En esta lectura encontrara:CAPITULOS CONCISOS: Las preguntas clave de la IA se responden de forma sencilla y las ideas complejas se desglosan en piezas faciles de digerir.GAMA AMPLIA DE TEMAS: Raschka cubre temas que van desde la arquitectura de las redes neuronales y la evaluacion de los modelos hasta la vision informatica y el procesamiento del lenguaje natural.USOS PRACTICOS: Conocera tecnicas para mejorar el rendimiento de los modelos, afinar modelos grandes y mucho mas.Tambien aprendera a:"Gestionar las distintas fuentes de aleatoriedad en la formacion de redes neuronales"Diferenciar entre arquitecturas de codificador y decodificador en modelos de lenguaje grandes "Reducir el sobreajuste con modificaciones de datos y modelos"Construir intervalos de confianza para clasificadores y optimizar los modelos con datos etiquetados limitados"Elegir entre paradigmas distintos de formacion multi-GPU y tipos diferentes de modelos de IA generativa"Comprender las metricas de rendimiento para el procesamiento del lenguaje natural"Dar sentido a los sesgos inductivos en los transformadores de visionSi busca el recurso perfecto para mejorar su comprension del aprendizaje automatico, El Machine Learning y la IA le ayudara a avanzar facilmente en este camino.

LLM reasoning models have the power to tackle truly challenging problems that require finding the right path through multiple steps. In this book youll learn how to build a working reasoning model from the ground up. You will start with an existing pre-trained LLM and then implement reasoning-focused improvements from scratch.Sebastian Raschka, the bestselling author of Build a Large Language Model (From Scratch), is your guide on this exciting journey. Sebastian mentors you every step of the way with clear explanations, practical code, and a keen focus on what really matters. Understand LLM reasoning by creating your own reasoning modelfrom scratch! In Build A Reasoning Model (From Scratch) youll learn how to: Implement core reasoning improvements for LLMs Evaluate models using judgment-based and benchmark-based methods Improve reasoning without updating model weights Use reinforcement learning to integrate external tools like calculators Apply distillation techniques to learn from larger reasoning models Understand the full reasoning model development pipeline Reasoning models break problems into steps, producing more reliable answers in math, logic, and code. These improvements arent just a curiositytheyre already integrated into top models like Grok 4 and GPT-5. Build A Reasoning Model (From Scratch) demystifies these complex models with a simple philosophy: the best way to learn how something works is to build it yourself! Youll begin with a pre-trained LLM, adding and improving its reasoning capabilities in ways you can see, test, and understand.About the book In Build a Reasoning Model (From Scratch), acclaimed ML research engineer Sebastian Raschka takes you inside the black box of reasoning-enhanced LLMs. Youll start with a compact, pre-trained base model that runs on consumer hardware, then upgrade it step by step to tackle ever-more difficult problems and scenarios. Youll measure its performance, add reasoning at inference time without training, and then improve it further with reinforcement learning. By the end of the book, youll have a small but capable reasoning stack built from the ground up!About the reader For readers who know Python and have some knowledge of machine learning. You wont need any specialist hardware. The examples will run on a standard laptop, although using cloud GPUs can make training faster.About the authorSebastian Raschka, PhD, is an LLM Research Engineer with over a decade of experience in artificial intelligence. His work spans industry and academia, including implementing LLM solutions as a senior engineer at Lightning AI and teaching as a statistics professor at the University of WisconsinMadison.Sebastian collaborates with industry partners on AI solutions and serves on the Open Source Board at University of WisconsinMadison. He specializes in LLMs and the development of high-performance AI systems, with a deep focus on practical, code-driven implementations. He is the author of the bestselling books Build a Large Language Model (From Scratch), as well as Machine Learning with PyTorch and Scikit-Learn, and Machine Learning Q and AI.

How to implement LLM attention mechanisms and GPT-style transformers. In Build a Large Language Model (from Scratch) bestselling author Sebastian Raschka guides you step by step through creating your own LLM. Each stage is explained with clear text, diagrams, and examples. Youll go from the initial design and creation, to pretraining on a general corpus, and on to fine-tuning for specific tasks.Build a Large Language Model (from Scratch) teaches you how to: Plan and code all the parts of an LLM Prepare a dataset suitable for LLM training Fine-tune LLMs for text classification and with your own data Use human feedback to ensure your LLM follows instructions Load pretrained weights into an LLMBuild a Large Language Model (from Scratch) takes you inside the AI black box to tinker with the internal systems that power generative AI. As you work through each key stage of LLM creation, youll develop an in-depth understanding of how LLMs work, their limitations, and their customization methods. Your LLM can be developed on an ordinary laptop, and used as your own personal assistant.About the technology Physicist Richard P. Feynman reportedly said, I dont understand anything I cant build. Based on this same powerful principle, bestselling author Sebastian Raschka guides you step by step as you build a GPT-style LLM that you can run on your laptop. This is an engaging book that covers each stage of the process, from planning and coding to training and fine-tuning.About the bookBuild a Large Language Model (From Scratch) is a practical and eminently-satisfying hands-on journey into the foundations of generative AI. Without relying on any existing LLM libraries, youll code a base model, evolve it into a text classifier, and ultimately create a chatbot that can follow your conversational instructions. And youll really understand it because you built it yourself!Whats inside Plan and code an LLM comparable to GPT-2 Load pretrained weights Construct a complete training pipeline Fine-tune your LLM for text classification Develop LLMs that follow human instructionsAbout the reader Readers need intermediate Python skills and some knowledge of machine learning. The LLM you create will run on any modern laptop and can optionally utilize GPUs.About the authorSebastian Raschka, PhD, is an LLM Research Engineer with over a decade of experience in artificial intelligence. His work spans industry and academia, including implementing LLM solutions as a senior engineer at Lightning AI and teaching as a statistics professor at the University of WisconsinMadison.Sebastian collaborates with Fortune 500 companies on AI solutions and serves on the Open Source Board at University of WisconsinMadison. He specializes in LLMs and the development of high-performance AI systems, with a deep focus on practical, code-driven implementations. He is the author of the bestselling books Machine Learning with PyTorch and Scikit-Learn, and Machine Learning Q and AI. The technical editor on this book was David Caswell.Table of Contents 1 Understanding large language models 2 Working with text data 3 Coding attention mechanisms ...

This book of the bestselling and widely acclaimed Python Machine Learning series is a comprehensive guide to machine and deep learning using PyTorch's simple to code framework.Purchase of the print or Kindle book includes a free eBook in PDF format.Key FeaturesLearn applied machine learning with a solid foundation in theoryClear, intuitive explanations take you deep into the theory and practice of Python machine learningFully updated and expanded to cover PyTorch, transformers, XGBoost, graph neural networks, and best practicesBook DescriptionMachine Learning with PyTorch and Scikit-Learn is a comprehensive guide to machine learning and deep learning with PyTorch. It acts as both a step-by-step tutorial and a reference you'll keep coming back to as you build your machine learning systems.Packed with clear explanations, visualizations, and examples, the book covers all the essential machine learning techniques in depth. While some books teach you only to follow instructions, with this machine learning book, we teach the principles allowing you to build models and applications for yourself.

Learn the answers to 30 cutting-edge questions in machine learning and AI and level up your expertise in the field.If youre ready to venture beyond introductory concepts and dig deeper into machine learning, deep learning, and AI, the question-and-answer format of Machine Learning Q and AI will make things fast and easy for you, without a lot of mucking about.Born out of questions often fielded by author Sebastian Raschka, the direct, no-nonsense approach of this book makes advanced topics more accessible and genuinely engaging. Each brief, self-contained chapter journeys through a fundamental question in AI, unraveling it with clear explanations, diagrams, and hands-on exercises.WHATS INSIDE:FOCUSED CHAPTERS: Key questions in AI are answered concisely, and complex ideas are broken down into easily digestible parts.WIDE RANGE OF TOPICS: Raschka covers topics ranging from neural network architectures and model evaluation to computer vision and natural language processing.PRACTICAL APPLICATIONS: Learn techniques for enhancing model performance, fine-tuning large models, and more.Youll also explore how to: Manage the various sources of randomness in neural network training Differentiate between encoder and decoder architectures in large language models Reduce overfitting through data and model modifications Construct confidence intervals for classifiers and optimize models with limited labeled data Choose between different multi-GPU training paradigms and different types of generative AI models Understand performance metrics for natural language processing Make sense of the inductive biases in vision transformersIf youve been on the hunt for the perfect resource to elevate your understanding of machine learning, Machine Learning Q and AI will make it easy for you to painlessly advance your knowledge beyond the basics.

El físico Richard P. Feynman afirmó: «No comprendo lo que no puedo crear». Inspirado en este principio, Sebastian Raschka ofrece en este libro una guía práctica y detallada para construir un modelo d

El aprendizaje automático está invadiendo el mundo del software. Si quieres entender y trabajar la vanguardia del aprendizaje automático, las redes neuronales y el aprendizaje profundo, esta segunda edicion del bestseller Python Machine Learning, es tu libro.Modernizado y ampliado para incluir las tecnologias de codigo abierto mas recientes, como scikit-learn, Keras y TensorFlow, este manual proporciona el conocimiento practico y las tecnicas necesarias para crear eficaces aplicaciones de aprendizaje automatico y aprendizaje profundo en Python.El conocimiento y la experiencia unicos de Sebastian Raschka y Vahid Mirjalili presentan los algoritmos de aprendizaje automatico y aprendizaje profundo, antes de continuar con temas avanzados en analisis de datos. Combinan los principios teoricos del aprendizaje automatico con un enfoque practico de codificacion para una comprension completa de la teoria del aprendizaje automatico y la implementacion con Python.Aprenderas a: Explorar y entender los frameworks clave para la ciencia de datos, el aprendizaje automatico y el aprendizaje profundoFormular nuevas preguntas sobre datos con modelos de aprendizaje automatico y redes neuronalesAprovechar el poder de las ultimas librerias de codigo abierto de Python para aprendizaje automaticoDominar la implementacion de redes neuronales profundas con la libreria de TensorFlowIncrustar modelos de aprendizaje automaticos en aplicacions web accesiblesPredecir resultados objetivos continuos con analisis de regresionDescubrir patrones ocultos y estructuras en datos con agrupamientosAnalizar imagenes mediante tecnicas de aprendizaje profundoProfundizar en datos de medios sociales y textuales con el analisis de sentimientos

Datenanalyse mit ausgereiften statistischen Modellen des Machine LearningsAnwendung der wichtigsten Algorithmen und Python-Bibliotheken wie NumPy, SciPy, Scikit-learn, Keras, TensorFlow 2, Pandas und MatplotlibBest Practices zur Optimierung Ihrer Machine-Learning-AlgorithmenMit diesem Buch erhalten Sie eine umfassende Einfuhrung in die Grundlagen und den effektiven Einsatz von Machine-Learning- und Deep-Learning-Algorithmen und wenden diese anhand zahlreicher Beispiele praktisch an. Dafur setzen Sie ein breites Spektrum leistungsfahiger Python-Bibliotheken ein, insbesondere Keras, TensorFlow 2 und Scikit-learn. Auch die fur die praktische Anwendung unverzichtbaren mathematischen Konzepte werden verstandlich und anhand zahlreicher Diagramme anschaulich erlautert.Die dritte Auflage dieses Buchs wurde fur TensorFlow 2 komplett aktualisiert und berucksichtigt die jungsten Entwicklungen und Technologien, die fur Machine Learning, Neuronale Netze und Deep Learning wichtig sind. Dazu zahlen insbesondere die neuen Features der Keras-API, das Synthetisieren neuer Daten mit Generative Adversarial Networks (GANs) sowie die Entscheidungsfindung per Reinforcement Learning.Ein sicherer Umgang mit Python wird vorausgesetzt.Aus dem Inhalt: Trainieren von Lernalgorithmen und Implementierung in Python Gangige Klassifikationsalgorithmen wie Support Vector Machines (SVM), Entscheidungsbaume und Random Forest Natural Language Processing zur Klassifizierung von Filmbewertungen Clusteranalyse zum Auffinden verborgener Muster und Strukturen in Ihren Daten Deep-Learning-Verfahren fur die Bilderkennung Datenkomprimierung durch Dimensionsreduktion Training Neuronaler Netze und GANs mit TensorFlow 2 Kombination verschiedener Modelle fur das Ensemble Learning Einbettung von Machine-Learning-Modellen in Webanwendungen Stimmungsanalyse in Social Networks Modellierung sequenzieller Daten durch rekurrente Neuronale Netze Reinforcement Learning und Implementierung von Q-Learning-Algorithmen