Inteligencia Artificial. Casos Practicos con Aprendizaje Profundo
Soria Olivas, Emilio / Rodriguez Belenguer, Pablo
Este libro tiene como objetivo acercar al lector, de una manera teórica y práctica, a la Inteligencia Artificial moderna usando modelos neuronales artificiales profundos que constituyen la base actualde esta tecnología. Esta obra, dirigida a estudiantes y profesionales, nos brinda información clara y concisa sobre la IA en la que se abordan desde el concepto de neurona artifici...
Sinopsis
Este libro tiene como objetivo acercar al lector, de una manera teórica y práctica, a la Inteligencia Artificial moderna usando modelos neuronales artificiales profundos que constituyen la base actualde esta tecnología. Esta obra, dirigida a estudiantes y profesionales, nos brinda información clara y concisa sobre la IA en la que se abordan desde el concepto de neurona artificial planteado en 1943 hasta las últimas aplicaciones de Modelos Generativos y Aprendizaje Reforzado. Se tratan aplicaciones prácticas en el campo de bioseñales, reconocimiento de imágenes, series temporales y sistemas deIA que dirigen videojuegos, entre muchas otras cosas.
Índice
AGRADECIMIENTOS AUTORES INTRODUCCIÓN AL LIBRO CAPÍTULO 1. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO 1.1 EL SIGLO DE LOS DATOS 1.2 ANÁLISIS DE LOS DATOS. ETAPAS 1.3 APRENDIZAJE MÁQUINA. TIPOS Y APLICACIONES 1.4 APRENDIZAJE PROFUNDO. BREVE HISTORIA 1.5 BIBLIOGRAFÍA CAPÍTULO 2. MODELOS NEURONALES MULTIFUNCIÓN 2.1 NEURONA ARTIFICIAL. ELEMENTOS QUE LA FORMAN 2.2 PERCEPTRÓN. ALGORITMO DE APRENDIZAJE 2.3 ADALINA. DESCENSO POR GRADIENTE. LMS 2.4 ESTRUCTURAS ADAPTATIVAS. VARIANTES DEL LMS 2.5 PERCEPTRÓN MULTICAPA. BACKPROPAGATION 2.6 VARIANTES DEL BACKPROPAGATION ELECCIÓN DE LA ARQUITECTURA 2.7 APLICANDO EL PERCEPTRÓN MULTICAPA 2.7.1 Arquitectura 2.7.2 Modo de funcionamiento 2.7.3 Función de coste 2.7.4 Sobreajuste (overfitting) 2.7.5 Preprocesado de las entradas 2.7.6 Problemas con estructuras profundas 2.8 MODELOS NEURONALES PARA CLUSTERING. SOM 2.8.1 laboratorio 2.8.2 MLP usado como clasificador 2.8.3 MLP usado como modelizador (regresión) 2.9 BIBLIOGRAFÍA CAPÍTULO 3. MODELOS NEURONALES ORIENTADOS A VISIÓN 3.1 PROBLEMAS DEL MLP EN IMÁGENES 3.2 ARQUITECTURA DE UNA CNN. PARTES ESENCIALES 3.3 ARQUITECTURAS FAMOSAS 3.3.1 Modelos más relevantes que han participado en el ILSV 3.4 AUMENTO DE DATOS Y TRANSFERENCIA DE APRENDIZAJE 3.5 OTRAS APLICACIONES DE LAS CNN 3.5.1 Detección de objetos 3.5.2 Segmentación de imágenes 3.5.3 Laboratorio 3.6 BIBLIOGRAFÍA CAPÍTULO 4. MODELOS NEURONALES ORIENTADOS A DATOS TEMPORALES 4.1 DATOS TEMPORALES. CARACTERÍSTICAS 4.2 MODELOS MULTICAPA RECURRENTES CLÁSICOS 4.3 REDES RECURRENTES (RNN) 4.4 LONG-SHORT-TERM MEMORY (LSTM) 4.5 REDES GATED RECURRENT UNIT (GRU) 4.6 APLICACIONES DE LAS REDES RECURRENTES 4.7 LABORATORIO 4.8 BIBLIOGRAFÍA CAPÍTULO 5. MODELOS GENERATIVOS 5.1 INTRODUCCIÓN A LOS MODELOS GENERATIVOS 5.2 AUTOENCODERS 5.3 AUTOENCODERS VARIACIONALES 5.4 GAN (GENERATIVE ADVERSARIAL NETWORKS) 5.5 PROBLEMAS EN EL AJUSTE DE LAS GAN 5.6 VARIACIONES DE LAS GAN 5.7 LABORATORIO 5.8 BIBLIOGRAFÍA CAPÍTULO 6. APRENDIZAJE REFORZADO 6.1 INTRODUCCIÓN AL APRENDIZAJE REFORZADO 6.1.1 Conceptos previos: elementos de un sistema de Aprendi Reforzado 6.2 ELEMENTOS MATEMÁTICOS A TENER EN CUENTA EN EL APRENDIZAJE REFORZADO 6.3 MÉTODOS DE APRENDIZAJE POR DIFERENCIAS TEMPORALES: SARSA Y Q-LEARNING 6.4 APRENDIZAJE REFORZADO PROFUNDO 6.5 LABORATORIO 6.6 BIBLIOGRAFÍA MATERIAL ADICIONAL
Comentarios
Sé el primero en comentar este libroArtículos relacionados
