Envíos gratis en compras superiores a $80.000
Inicio/Novedades, Nuevas tecnologías, TICs y Computación/Sistemas de Aprendizaje Automático

Sistemas de Aprendizaje Automático

$38.200

  • Envío gratis en compras superiores a $80.000
  • Autor: Emilio Soria Olivas; Manuel Antonio Sánchez-Montañes Isla; Ruth Gamero Cruz; Borja Castillo Caballer

    Páginas: 264

    Editorial: Alfaomega – Ra-ma

    ISBN: 9788419444974 Categorías: , ,

    Descripción

    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.
    En 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).
    Esta obra contiene numerosas aplicaciones prácticas con su código Python que podrá descargar desde la web del libro.
    ¿Te lo vas a perder?
    El libro contiene material adicional que podrá descargar accediendo a la ficha del libro en www.ra-ma.es.
    Los contenidos adaptados al Curso de Especialización en Inteligencia Artificial y Big Data.

    John Atkinson Abutridy
    Es 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.
    En 2010, recibió el Premio ACM Senior Member por sus contribuciones internacionales a las ciencias de la computación en el lado científico y práctico.
    Está 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.

    AUTORES
    INTRODUCCIÓN AL LIBRO

    CAPÍTULO 1. INTRODUCCIÓN
    1.1 CONCEPTOS BÁSICOS
    1.1.1 Ciencia de datos
    1.1.2 Inteligencia artificial
    1.1.3 Big data
    1.1.4 Minería de datos
    1.1.5 Algoritmos y modelos
    1.1.6 Parámetros e hiperparámetros
    1.1.7 Aprendizaje máquina o automático
    1.1.8 Aprendizaje profundo
    1.1.9 Infraestructura y aplicaciones. Servicios en la nube
    1.2 ANÁLISIS DE DATOS. ETAPAS
    1.2.1 Datos
    1.2.2 Preprocesado
    1.2.3 Análisis exploratorio de datos (EDA)
    1.2.4 Modelado
    1.2.5 Análisis de los errores
    1.2.6 Puesta en producción
    1.2.7 Metodología CRISP-DM
    1.3 ALGORITMOS DE APRENDIZAJE MÁQUINA
    1.3.1 Aprendizaje supervisado
    1.3.2 Aprendizaje no supervisado
    1.3.3 Aprendizaje autosupervisado
    1.3.4 Aprendizaje reforzado
    1.3.5 Aprendizaje semisupervisado
    1.4 PASADO, PRESENTE Y FUTURO

    CAPÍTULO 2. APRENDIZAJE NO SUPERVISADO
    2.1 INTRODUCCIÓN
    2.2 CLUSTERING
    2.2.1 Algoritmos basados en prototipos
    2.2.2 Algoritmos jerárquicos
    2.2.3 Algoritmos basados en densidad. DBSCAN
    2.2.4 Evaluación de la calidad del agrupamiento
    2.3 REDUCCIÓN DE LA DIMENSIONALIDAD
    2.3.1 Análisis de componentes principales (PCA)
    2.3.2 t-SNE
    2.3.3 Mapas autoorganizados
    2.3.4 Autoencoders
    2.4 REGLAS DE ASOCIACIÓN
    2.5 ESTIMACIÓN DE DENSIDADES DE PROBABILIDAD
    2.6 DETECCIÓN DE ANOMALÍAS
    2.6.1 Introducción.
    2.6.2 Algoritmos de detección de anomalías no supervisados
    2.7 LABORATORIO
    2.7.1 Algoritmos de clustering
    2.7.2 Manifolds
    2.7.3 Reglas de asociación
    2.7.4 Algoritmos de estimación de probabilidad
    2.7.5 Detección de anomalías

    CAPÍTULO 3. MACHINE LEARNING: APRENDIZAJE SUPERVISADO
    3.1 DEFINICIÓN
    3.1.1 Ejemplo de problema de clasificación
    3.2 PRINCIPALES RETOS
    3.2.1 Cantidad insuficiente de datos
    3.2.2 Datos no representativos
    3.2.3 Sobreajuste
    3.3 FUNCIÓN DE COSTE
    3.4 MEDIDAS DE RENDIMIENTO
    3.4.1 Medidas para problemas de regresión
    3.4.2 Medidas de rendimiento para problemas de clasificación
    3.5 MODELOS BASICOS
    3.5.1 Regresión Lineal
    3.5.2 Regresión Polinómica
    3.5.3 Modelos lineales regularizados
    3.5.4 Regresión Logística
    3.5.5 SVM
    3.5.6 Árboles de decisión
    3.6 COMBINACIÓN DE MODELOS
    3.6.1 Random forest
    3.7 LABORATORIO
    3.7.1 Regresión lineal
    3.7.2 Regresión Polinómica
    3.7.3 Modelos lineales regularizados
    3.7.4 Clasificación
    3.7.5 Búsqueda de hiperparámetros con cross validation
    3.7.6 Conjuntos desbalanceados.

    CAPÍTULO 4. APRENDIZAJE PROFUNDO
    4.1 INTRODUCCIÓN
    4.2 REDES NEURONALES DENSAS (DNNS)
    4.2.1 Modelo de neurona
    4.2.2 Arquitectura de una red densa
    4.2.3 Configuración de una capa densa
    4.2.4 Entrenamiento de una red neuronal
    4.2.5 Aspectos prácticos a tener en cuenta
    4.3 REDES CONVOLUCIONALES PROFUNDAS (CNNS)
    4.3.1 Arquitectura de una CNN
    4.3.2 Entrenamiento de una CNN: aspectos avanzados
    4.3.3 Otras aplicaciones de las CNNs
    4.4 REDES RECURRENTES PROFUNDAS (DRNNS)
    4.4.1 Introducción a las redes recurrentes
    4.4.2 Arquitecturas básicas
    4.4.3 Funcionamiento de una capa recurrente
    4.4.4 Predicción de series temporales
    4.4.5 Clasificación de texto
    4.4.6 Laboratorio
    REFERENCIAS
    SITIOS WEB RECOMENDADOS

    Ir a Arriba