Sistemas de Aprendizaje Automático

Sinopsis del producto

El presente libro tiene una clara vocación didáctica, se dirige a todas las personas que quieren adentrarse en el apasionante campo del aprendizaje automático combinando la teórica con la práctica para que sea sencillo asimilar las explicaciones. nEn esta obra se revisan los algoritmos más comunes y su implementación en Python. Comienza con una introducción a las claves que han impulsado nuestra sociedad hacia “la era de los datos” y explora cómo, mediante técnicas de aprendizaje automático, obtener partido a la inmensa cantidad de datos que hoy nos rodea. A continuación, se presenta el aprendizaje no supervisado con sus principales algoritmos y usos: agrupamiento, manifolds, reglas de asociación y algoritmos de detección de anomalías. Le sigue el aprendizaje supervisado; partiendo del modelo más simple, modelo lineal multivariante, se llega a las Máquinas de Soporte Vectorial (SVM). Finalmente, finaliza con el aprendizaje profundo (gran parte de lo que denominamos Inteligencia Artificial) donde se explican, de una manera sencilla e intuitiva, los perceptrones multicapa profundos, las redes convolucionales profundas (CNN) y los modelos recurrentes Long Short Term Memory (LSTM). nEsta obra contiene numerosas aplicaciones prácticas con su código Python que podrá descargar desde la web del libro. n¿Te lo vas a perder? nEl libro contiene material adicional que podrá descargar accediendo a la ficha del libro en www.ra-ma.es. nLos contenidos adaptados al Curso de Especialización en Inteligencia Artificial y Big Data. n nJohn Atkinson Abutridy nEs profesor titular en la Facultad de Ingeniería y Ciencias de la Universidad Adolfo Ibáñez (UAI), Santiago, Chile. Anteriormente, fue profesor titular y jefe del Departamento de Ciencias de la Computación, en la Universidad de Concepción, Chile, donde también fue fundador y director del Laboratorio de Inteligencia Artificial (2004-2016). Fue profesor asistente en la Universidad Técnica Federico Santa María (UTFSM, Valparaíso, Chile), y profesor en la Pontificia Universidad Católica de Valparaíso. Obtuvo un doctorado en Inteligencia Artificial de la Universidad de Edimburgo, Escocia (Reino Unido), y un B.Eng y M.Eng en Ciencias de la Computación de UTFSM. En los últimos 25 años, ha estado involucrado en la docencia, investigación y consultoría en Chile y universidades y centros de investigación en todo el mundo. También ha liderado varios proyectos científicos y tecnológicos financiados por agencias nacionales e internacionales, y empresas privadas. nEn 2010, recibió el Premio ACM Senior Member por sus contribuciones internacionales a las ciencias de la computación en el lado científico y práctico. nEstá activamente involucrado en investigación básica y aplicada en las áreas de Procesamiento del Lenguaje Natural, Minería de Textos, Aprendizaje Automático e Inteligencia Artificial. Parte de su investigación se ha aplicado actualmente para abordar problemas complejos en empresas privadas, incluido el análisis y la minería inteligente de textos, modelos predictivos para la detección de fraudes, minería de opiniones, interfaces inteligentes y sistemas de preguntas y respuestas. n nAUTORES nINTRODUCCIÓN AL LIBRO n nCAPÍTULO 1. INTRODUCCIÓN n1.1 CONCEPTOS BÁSICOS n1.1.1 Ciencia de datos n1.1.2 Inteligencia artificial n1.1.3 Big data n1.1.4 Minería de datos n1.1.5 Algoritmos y modelos n1.1.6 Parámetros e hiperparámetros n1.1.7 Aprendizaje máquina o automático n1.1.8 Aprendizaje profundo n1.1.9 Infraestructura y aplicaciones. Servicios en la nube n1.2 ANÁLISIS DE DATOS. ETAPAS n1.2.1 Datos n1.2.2 Preprocesado n1.2.3 Análisis exploratorio de datos (EDA) n1.2.4 Modelado n1.2.5 Análisis de los errores n1.2.6 Puesta en producción n1.2.7 Metodología CRISP-DM n1.3 ALGORITMOS DE APRENDIZAJE MÁQUINA n1.3.1 Aprendizaje supervisado n1.3.2 Aprendizaje no supervisado n1.3.3 Aprendizaje autosupervisado n1.3.4 Aprendizaje reforzado n1.3.5 Aprendizaje semisupervisado n1.4 PASADO, PRESENTE Y FUTURO n nCAPÍTULO 2. APRENDIZAJE NO SUPERVISADO n2.1 INTRODUCCIÓN n2.2 CLUSTERING n2.2.1 Algoritmos basados en prototipos n2.2.2 Algoritmos jerárquicos n2.2.3 Algoritmos basados en densidad. DBSCAN n2.2.4 Evaluación de la calidad del agrupamiento n2.3 REDUCCIÓN DE LA DIMENSIONALIDAD n2.3.1 Análisis de componentes principales (PCA) n2.3.2 t-SNE n2.3.3 Mapas autoorganizados n2.3.4 Autoencoders n2.4 REGLAS DE ASOCIACIÓN n2.5 ESTIMACIÓN DE DENSIDADES DE PROBABILIDAD n2.6 DETECCIÓN DE ANOMALÍAS n2.6.1 Introducción. n2.6.2 Algoritmos de detección de anomalías no supervisados n2.7 LABORATORIO n2.7.1 Algoritmos de clustering n2.7.2 Manifolds n2.7.3 Reglas de asociación n2.7.4 Algoritmos de estimación de probabilidad n2.7.5 Detección de anomalías n nCAPÍTULO 3. MACHINE LEARNING: APRENDIZAJE SUPERVISADO n3.1 DEFINICIÓN n3.1.1 Ejemplo de problema de clasificación n3.2 PRINCIPALES RETOS n3.2.1 Cantidad insuficiente de datos n3.2.2 Datos no representativos n3.2.3 Sobreajuste n3.3 FUNCIÓN DE COSTE n3.4 MEDIDAS DE RENDIMIENTO n3.4.1 Medidas para problemas de regresión n3.4.2 Medidas de rendimiento para problemas de clasificación n3.5 MODELOS BASICOS n3.5.1 Regresión Lineal n3.5.2 Regresión Polinómica n3.5.3 Modelos lineales regularizados n3.5.4 Regresión Logística n3.5.5 SVM n3.5.6 Árboles de decisión n3.6 COMBINACIÓN DE MODELOS n3.6.1 Random forest n3.7 LABORATORIO n3.7.1 Regresión lineal n3.7.2 Regresión Polinómica n3.7.3 Modelos lineales regularizados n3.7.4 Clasificación n3.7.5 Búsqueda de hiperparámetros con cross validation n3.7.6 Conjuntos desbalanceados. n nCAPÍTULO 4. APRENDIZAJE PROFUNDO n4.1 INTRODUCCIÓN n4.2 REDES NEURONALES DENSAS (DNNS) n4.2.1 Modelo de neurona n4.2.2 Arquitectura de una red densa n4.2.3 Configuración de una capa densa n4.2.4 Entrenamiento de una red neuronal n4.2.5 Aspectos prácticos a tener en cuenta n4.3 REDES CONVOLUCIONALES PROFUNDAS (CNNS) n4.3.1 Arquitectura de una CNN n4.3.2 Entrenamiento de una CNN: aspectos avanzados n4.3.3 Otras aplicaciones de las CNNs n4.4 REDES RECURRENTES PROFUNDAS (DRNNS) n4.4.1 Introducción a las redes recurrentes n4.4.2 Arquitecturas básicas n4.4.3 Funcionamiento de una capa recurrente n4.4.4 Predicción de series temporales n4.4.5 Clasificación de texto n4.4.6 Laboratorio nREFERENCIAS nSITIOS WEB RECOMENDADOS

9786075761626

AA, VV