Este libro está dirigido a desarrolladores de PHP que quieran explorar las posibilidades que ofrece la inteligencia artificial (IA). Está dirigido a profesionales con un buen dominio de los conceptos de programación orientada a objetos en PHP y los fundamentos del desarrollo web, a los que permitirá descubrir cómo crear e integrar algoritmos y modelos inteligentes en sus proyectos.

A través de explicaciones claras, ejemplos concretos y librerías como RubixML, el autor le acompaña en todos los pasos de la implementación de la IA con PHP. Desde la exploración y limpieza de datos, hasta la selección y capacitación de modelos, aprenderá a resolver problemas comerciales complejos utilizando técnicas de aprendizaje supervisado y no supervisado.

También aprenderá a evaluar el rendimiento del modelo mediante métricas clave, optimizar sus hiperparámetros y persistir sus soluciones para simplificar la reutilización. Una guía práctica le mostrará cómo interactuar con modelos de lenguaje conocidos, como GPT, a través de APIs para integrarlos de manera efectiva en sus proyectos. Cada capítulo está diseñado para fortalecer sus habilidades y ofrecerle la base necesaria para dominar la IA aplicada al desarrollo de PHP.

Tanto si está buscando automatizar tareas, analizar datos o crear soluciones innovadoras, este libro es una herramienta esencial para transformar sus proyectos con inteligencia artificial.

Características

Encuadernación rústica - 17 x 21 cm
ISBN: 978-2-409-05389-4
EAN: 9782409053894
Ref. ENI: EITIAPHP

Características

HTML
ISBN: 978-2-409-05390-0
EAN: 9782409053900
Ref. ENI: LNEITIAPHP

Prólogo

Introducción
Público objetivo y requisitos previos
Objetivos
Metodología
Agradecimientos

Introducción a la inteligencia artificial

Introducción
Definición de inteligencia artificial
1. 1. Sistemas basados en reglas
2. 2. Machine Learning - aprendizajeautomático
3. 3. Deep Learning - aprendizaje profundo
Evolución de la inteligencia artificial
Aplicaciones concretas de la IA

PHP y la inteligencia artificial

Introducción
El lugar de PHP en la IA
1. 1. Facilidad de uso
2. 2. Librerías y frameworks
3. 3. Comunidad
4. 4. Rendimiento
5. 5. Ecosistema de desarrollo
Librerías PHP para la IA
1. 1. Librerías de creación de modelos
  1. a. PHP-ML
  2. b. Rubix ML
2. 2. Librerías de consumo de modelos
Configurar el entorno de desarrollo para PHP
1. 1. Servidor web y PHP 7.4
  1. a. Windows
  2. b. Linux
  3. c. Mac OS
  4. d. Extensiones PHP
2. 2. Librerías PHP orientadas a la IA

Entender y preparar los datos

Introducción
Tipos de datos
1. 1. Datos numéricos
2. 2. Datos categóricos
3. 3. Datos ordinales
4. 4. Datos textuales
5. 5. Datos temporales
6. 6. Datos geoespaciales
7. 7. Datos multimedia
8. 8. Datos lógicos/binarios
Tipos de aprendizaje
Soluciones de visualización de datos
1. 1. Diagrama de barras
2. 2. Diagrama de tarta
3. 3. Diagrama de nube de puntos
4. 4. Diagrama de cajas
5. 5. Mapa de calor
6. 6. Diagrama de mapa geográfico
Recopilación, limpieza e imputación de datos
1. 1. Recopilación de datos en formato CSV
2. 2. Recopilación de datos en formato NDJSON
3. 3. Recopilación de datos desde una base de datosSQL
4. 4. Extracción/filtrado de columnas
  1. a. Extracción de columnas
  2. b. Filtrado de columnas
5. 5. Conjuntos de datos en Rubix ML
  1. a. Creación de un conjunto Labeled
  2. b. Creación de un conjunto sin etiquetar
  3. c. Métodos de descripción de conjuntosde datos
  4. d. Métodos de selección y manipulaciónde conjuntos de datos
6. 6. Limpieza e imputación de datos
  1. a. Eliminación de los datos duplicados
  2. b. Procesamiento masivo de datos con transformers
  3. c. Gestión de datos ausentes imputaciónde datos
Exploración y análisis de datos
1. 1. Análisis univariante de las característicasnuméricas continuas
2. 2. Análisis univariante de las característicascategóricas
3. 3. Análisis multivariado
4. 4. Matriz de correlaciones
Preprocesamiento de los datos
1. 1. Transformación de datos categóricosen datos numéricos
2. 2. Transformación de datos ordinales en datosnuméricos
3. 3. Transformar datos binarios en datos numéricos
4. 4. Transformar datos textuales en datos numéricos
5. 5. Transformar los datos multimedia en datos numéricosexplotables
6. 6. Estandarización
7. 7. Normalización
Reducción de dimensiones
1. 1. Análisis en componentes principales
2. 2. T-SNE - t-Distributed Stochastic Neighbor Embedding
En resumen

Criterios de rendimiento y de selección

Introducción
El reto de crear el modelo ideal
1. 1. Capacidad de generalización
2. 2. Sobreaprendizaje
Evaluación del rendimiento
1. 1. División en conjuntos de entrenamiento yprueba
2. 2. Validación cruzada en K partes (K-folds)
Métricas de evaluación del rendimiento de los modelos
1. 1. Métricas de evaluación de los modelosde clasificación
  1. a. Matriz de confusión
  2. b. Precisión global
  3. c. Precisión por clase de predicción
  4. d. Recuerdo de una clase
  5. e. Score F1
  6. f. Las métricas de los modelos de clasificacióncon Rubix ML
2. 2. Métricas de evaluación de modelosde regresión
  1. a. Error absoluto medio (Mean Absolute Error)
  2. b. Media del cuadrado de los errores (Mean Squared Error)
  3. c. Raíz de la media de los errores al cuadrado(Root Mean Squared Error)
  4. d. El error cuadrático relativo (RSE) y el coeficientede determinación R²
  5. e. Las métricas de los modelos de regresiónen Rubix ML
Aprovechamiento de las métricas de evaluación en la optimización de los hiperparámetros

Algoritmos de aprendizaje supervisado

Introducción
Algoritmos de regresión
1. 1. Regresión lineal y regresión
  1. a. Regresión lineal simple
  2. b. Regresión multilineal
  3. c. Puesta en práctica en PHP con el algoritmoRidge
2. 2. Árbol de regresión
  1. a. Principio de funcionamiento de un árbol deregresión
  2. b. Puntos fuertes/débiles de los árbolesde regresión
  3. c. Puesta en práctica en PHP
  4. d. El gradient boosting
3. 3. Algoritmo de regresión por los K vecinosmás cercanos
  1. a. Principios de funcionamiento de la regresiónpor los K vecinos más cercanos (KNN)
  2. b. Puntos fuertes/débiles de KNN
  3. c. Nociones de distancia
  4. d. Puesta en práctica en PHP
4. 4. Algoritmo de regresión por máquinasde vector de soporte (SVR
  1. a. Principios de funcionamiento
  2. b. Puntos fuertes/débiles
  3. c. Puesta en práctica en PHP
5. 5. Redes neuronales aplicadas a la regresión
  1. a. Principios de funcionamiento
  2. b. Funciones de activación
  3. c. Puntos fuertes/débiles de las redesneuronales
  4. d. Puesta en práctica en PHP
Algoritmos de clasificación
1. 1. Regresión logística (clasificaciónbinaria)
  1. a. Principio de funcionamiento
  2. b. Puntos fuertes y débiles de la regresiónlogística
  3. c. Aplicación en PHP
  4. d. One versus all
2. 2. Árbol de clasificación
  1. a. Principio de funcionamiento
  2. b. Puntos fuertes/débiles de los árbolesde clasificación
  3. c. Puesta en práctica en PHP
3. 3. Bosque aleatorio
  1. a. Principios de funcionamiento
  2. b. Ventajas/desventajas en comparacióncon un árbol simple
  3. c. Puesta en práctica en PHP
4. 4. AdaBoost
  1. a. Principios de funcionamiento
  2. b. Puntos fuertes/débiles de AdaBoost
  3. c. Ilustración de los modelos basados en árbolesde clasificación
  4. d. Puesta en práctica en PHP
5. 5. SVC (clasificadores de vectores de soporte
  1. a. Principios de funcionamiento
  2. b. Puntos fuertes/débiles del SVC
  3. c. Puesta en práctica en PHP
6. 6. Clasificador por los K vecinos más cercanos(clasificador KNN)
  1. a. Principio de funcionamiento
  2. b. Puntos fuertes y débiles de los algoritmosde clasificación KNN
  3. c. Aplicación práctica en PHP
7. 7. Redes neuronales de clasificación
  1. a. Principio de funcionamiento de las redes neuronalesde clasificación
  2. b. Aplicación práctica de las redesneuronales de clasificación
8. 8. Naive Bayes
  1. a. Puntos fuertes y débiles de los modelos basadosen Naive Bayes
  2. b. Puesta en práctica con PHP
Resumen

Algoritmos de aprendizaje no supervisado

Introducción
Algoritmos de partición de datos/agrupación
1. 1. Algoritmo K-Means
  1. a. Principio de funcionamiento del algoritmo K-Means
  2. b. Puntos fuertes/débiles del clusteringcon K-Means
  3. c. Puesta en práctica en PHP
2. 2. Algoritmo DBSCAN
  1. a. Principio de funcionamiento de DBSCAN
  2. b. Puntos fuertes y débiles de DBSCAN
  3. c. Aplicación práctica en PHP
Algoritmos de detección de anomalías
1. 1. El algoritmo One-Class SVM
  1. a. Principio de funcionamiento
  2. b. Puntos fuertes/débiles de One-ClassSVM
  3. c. Puesta en práctica en PHP
2. 2. Los bosques de aislamiento
  1. a. Principio de funcionamiento de los bosques de aislamiento
  2. b. Puntos fuertes y débiles de los bosques deaislamiento
  3. c. Puesta en práctica en PHP
3. 3. Algoritmo del Z-Score robusto
  1. a. Principio de funcionamiento
  2. b. Puntos fuertes/débiles del Z-Scorerobusto
  3. c. Aplicación práctica en PHP
En resumen

Persistir y reutilizar los modelos

Introducción
Los objetos persistentes y los serializadores de Rubix ML
Descubrir las codificaciones y los persistentes en Rubix ML
Puesta en práctica de la copia de seguridad de un modelo
Puesta en práctica de la carga de un modelo
Soluciones de despliegue de modelos en producción

Elección, optimización y selección de modelos

Introducción
Preselección de los modelos más adecuados
1. 1. Preselección de modelos de regresión
2. 2. Preselección de modelos de clasificación
3. 3. Estrategias de elección y de optimizaciónde hiperparámetros
  1. a. Favorecer la optimización de los hiperparámetrosmás críticos
  2. b. Ajustes mediante variaciones de granularidad
  3. c. Utilizar valores aleatorios
Selección de modelos
1. 1. Elección del modelo más eficaz
2. 2. Elección de una combinación de modelos
3. 3. Rechazo de modelos
Resumen

Utilizar modelos de terceros a través de APIs

Introducción
Creación de accesos al API OpenAI
Consumo de un LLM para responder a una pregunta textual
1. 1. Generación de una respuesta a una preguntatextual sin contexto especificado
2. 2. Generación de una respuesta a una preguntatextual con contexto
Uso de un modelo de visión por ordenador junto con un LLM para recuperar información sobre imágenes
Uso de un modelo de transcripción automática de un archivo de audio a texto Speech-To-Text) junto con un LLM
1. 1. Transcripción automática del audioa texto
2. 2. Extracción de datos de negocio mediante unLLM
Creación de un archivo de audio a partir de un texto utilizando un modelo de generación de voz
Uso de un embedding para vectorizar texto
1. 1. Uso de embedding para transformar texto en vectores
2. 2. Pruebas sobre las similitudes semánticasentre vectores

Louis AUTHIÉ

Consultor y formador en desarrollo web, Louis AUTHIÉ trabaja en proyectos a medida combinando Symfony y otros stacks modernos. Participa activamente en el entorno open source, particularmente dentro de la comunidad PrestaShop y en la librería RubixML dedicada al Machine Learning en PHP. Es especialista en inteligencia artificial y graduado del CNAM, experiencia que le permite explorar las aplicaciones concretas de la IA en el ecosistema PHP desde 2018. Es autor de varios libros técnicos y está comprometido en hacer que la IA sea accesible para los desarrolladores web, a través de enfoques pragmáticos.

Más información

PHP e inteligencia artificial: Conceptos, herramientas y aplicaciones

Información adicional

Información adicional

Características

Características

Louis AUTHIÉ

Novedades