fbpx
Envíos gratis en compras superiores a $4500

Inteligencia Artificial Aplicada A Robótica y Automatización

Inicio/Profesional/Ciencia y tecnología/Otros/Inteligencia Artificial Aplicada A Robótica y Automatización

Inteligencia Artificial Aplicada A Robótica y Automatización

Precio Normal $3,920

Autores:

  • SOSSA AZUELA, Juan Humberto
  • REYES CORTÉS, Fernando

Páginas: 382

Edición 1ª

Encuadernación Rústica

Fondo editorial Alfaomega

SKU: 9786075386669 Categorías: , ,

Descripción

En la presente publicación se abordan los conceptos más destacados de la inteligencia artificial, su historia, sus categorías y sus retos; se estudia el Aprendizaje para Máquinas (AM) como principal motor de la inteligencia artificial. Se hace una descripción detallada de las técnicas más sobresalientes que se utilizan en el tratamiento y análisis digital de imágenes. Se estudia uno de los paradigmas más utilizados actualmente en la solución de problemas de clasificación y reconocimiento de patrones, la predicción de series de tiempo, el modelado de sistemas y la optimización, el paradigma relativo a las llamadas redes neuronales artificiales, que intentan simular la operación de las neuronas biológicas. Se analiza el perceptrón como máquina de procesamiento de información acomodado en capas. Se presentan los detalles sobre la derivación de la regla Delta generalizada, útil para el entrenamiento de arreglos de perceptrones en capas para la solución de problemas no lineales.

VENTAJAS

• Cada uno de los capítulos comienza enumerando los objetivos perseguidos y con una introducción que expone los antecedentes y describe la estructura lógica de los temas.
• A lo largo del contenido aparecen numerosos ejemplos que están desarrollados detalle a detalle.
• Al final de cada capítulo se encuentra un resumen y una serie de ejercicios propuestos.
• Cuenta con una completa bibliografía para consultar determinado tema de interés y un índice analítico útil para la localización puntual de conceptos de interés particular.

CONOZCA

• Las diferencias entre el cómputo inteligente y el cómputo tradicional.
• La historia y las diferentes categorías de la inteligencia artificial (IA).
• Qué es y cómo funciona el aprendizaje para máquinas (AM).
• Las arquitecturas básicas de redes neuronales más utilizadas en la literatura actual.

APRENDA

• A utilizar la regresión lineal para resolver problemas de predicción, en particular en el campo de la robótica.
• A realizar una clasificación de patrones mediante el método de discriminación lineal.
• A aplicar las técnicas básicas de filtrado relacionadas con el tratamiento y procesamiento digital de imágenes.
• A solucionar problemas de clasificación y reconocimiento de patrones, predicción de series de tiempo, modelado de sistemas y optimización mediante redes neuronales artificiales.

DESARROLLE SUS HABILIDADES PARA

• Identificar cada uno de los cuatro tipos de aprendizaje que se pueden dar en una máquina.
• Trabajar con la regresión logística para calcular las probabilidades.
• Aplicar las técnicas adecuadas para segmentar imágenes y eliminar ruidos residuales de las imágenes segmentadas.
• Manipular las bases de operación de las llamadas redes neuronales convolucionales.

CONTENIDO

Plataforma de contenidos interactivos
Página Web del libro
Prólogo

Capítulo 1

Introducción a la Inteligencia Artificial
1.1 Introducción
1.1.1 Diferencias del cómputo IA y tradicional
1.2 Estado del arte sobre la IA
1.3 ¿Qué es la Inteligencia Artificial?
1.4 Tipos de Inteligencia Artificial
1.5 Breve historia de la IA
1.6 Aplicaciones comerciales de la IA
1.7 Líneas de investigación
1.8 Retos actuales para la IA
1.9 ¿Por qué hoy es tiempo de la IA?
1.10 Enfoques de máquinas inteligentes
1.11 Aspectos importantes de la IA
1.11.1 Ética en el uso de la IA
1.11.2 Algunas estadísticas
1.12 Contenido del libro
1.13 Resumen
1.14 Problemas propuestos

Capítulo 2

Aprendizaje de máquinas: Regresión lineal
2.1 Introducción
2.2 Mecánica del AM
2.3 Conceptos y definiciones básicas
2.4 Tipos de aprendizaje
2.4.1 Aprendizaje supervisado
2.4.2 Aprendizaje semi-supervisado
2.4.3 Aprendizaje no-supervisado
2.4.4 Aprendizaje por reforzamiento
2.5 Regresión lineal
2.6 Resumen
2.7 Problemas propuestos

Capítulo 3

Discriminación lineal y regresión logística
3.1 Introducción
3.2 Discriminación lineal
3.3 Regresión logística
3.4 Resumen
3.5 Problemas propuestos

Capítulo 4

Tratamiento de imágenes
4.1 Introducción
4.2 Conceptos básicos sobre imágenes
4.3 Acondicionamiento de imágenes
4.3.1 Ruido en imágenes
4.3.2 Algunos tipos de ruidos
4.4 Filtrado de imágenes
4.4.1 Filtro promedio aritmético
4.4.2 Filtro promedio gaussiano
4.4.3 Filtro mediano
4.4.4 Mejorado de contraste en imágenes
4.5 Resumen
4.6 Problemas propuestos

Capítulo 5

Reconocimiento de objetos
5.1 Introducción
5.2 Segmentación de imágenes
5.2.1 El problema de segmentación de imágenes
5.2.2 Segmentación de imágenes por umbralado
5.2.3 Selección manual del umbral
5.2.4 Selección automática del umbral
5.2.5 Método de Otsu
5.2.6 Método del mínimo error
5.3 Postfiltrado de imágenes segmentadas
5.3.1 Reducción de ruido en imágenes segmentadas
5.3.2 Método heurístico para eliminar regiones
5.3.3 Etiquetado de componentes conectadas
5.3.4 Método de dos pasadas que utiliza TE
5.4 Descripción de objetos
5.4.1 Rasgos descriptivos y sus propiedades
5.4.2 Rasgos globales y locales
5.4.3 Factor de compacidad y su cálculo
5.4.4 Rasgos descriptivos con momentos geométricos
5.4.5 Invariantes a traslaciones: momentos centrales
5.4.6 Invariantes a rotaciones
5.4.7 Invariantes a cambios de escala
5.4.8 Invariantes traslación, rotación y escalamiento
5.4.9 Posición del objeto en el plano de trabajo
5.4.10 Rasgos estructurales: características de Euler
5.4.11 Descripción de los objetos
5.5 Detección y reconocimiento
5.5.1 Clasificadores de cálculos de distancias
5.5.2 Clasificador de distancia mínima
5.5.3 Diseño del clasificador de distancia mínima
5.5.4 Clasificador de Mahalanobis
5.5.5 Clasificador estadístico de Bayes
5.6 Resumen
5.7 Problemas propuestos

Capítulo 6

El perceptrón y su entrenamiento
6.1 Introducción
6.2 Conceptos básicos
6.2.1 Cómputo neuronal
6.2.2 Modelos básicos de una neurona
6.2.3 Neurona con una entrada
6.2.4 Neurona con varias entradas
6.2.5 Ejemplos de funciones de transferencia
6.3 Arquitecturas básicas de RNA
6.3.1 Red de una capa de neuronas
6.3.2 Red con varias capas de neuronas
6.4 Modelos de neuronas artificiales
6.4.1 Unidad de umbralado lógico (UUL)
6.4.2 Separabilidad lineal entre clases
6.4.3 La UUL como separador lineal entre clases
6.4.4 Producto interno (forma algebraica)
6.4.5 Proyección de un vector
6.4.6 UUL y separabilidad lineal
6.4.7 Aprendizaje en una RNA
6.4.8 Entrenamiento de una UUL
6.4.9 La regla de entrenamiento del perceptrón
6.4.10 Robustez de la UUL ante ruido en las entradas
6.5 El perceptrón
6.5.1 El perceptrón de Rosenblatt
6.5.2 El perceptrón estándar
6.6 La ADELINE y la regla Delta
6.6.1 La neurona tipo ADELINE
6.6.2 La regla Delta
6.7 El perceptrón sigmoidal
6.8 Resumen
6.9 Problemas propuestos

Capítulo 7

El perceptrón multicapa y su entrenamiento
7.1 Introducción
7.2 El perceptrón multicapa
7.2.1 El perceptrón multicapa y la regla Delta
7.2.2 La regla Delta generalizada
7.2.3 Función de la capa intermedia

7.2.4 Aceleramiento del proceso de entrenamiento
7.3 Redes neuronales convolucionales
7.4 Resumen
7.5 Problemas propuestos
Referencias a sitios Web
Referencias
Índice analítico

Ir a Arriba