Sistemas de aprendizaje automático

Descripción

Índice general

Prefacio IX

Unidad 1
Caracterización de la inteligencia artificial fuerte y débil. Usos y posibilidades 1
1.1 Introducción ………………………………………………… 2
1.2 La inteligencia artificial…………………………………. 4
1.3 Aproximación cognitiva al modelo
de inteligencia artificial ………………………………… 4
1.4 Los agentes racionales …………………………………. 5
1.5 El test de Turing …………………………………………….. 5
1.6 Inteligencia artificial y machine learning ………. 7
1.7 La inteligencia artificial aplicada a los juegos ………………………………………………….. 7
1.8 Algunos argumentos contra la existencia de la inteligencia artificial fuerte ………………….. 8

Unidad 2
Caracterización de sistemas de aprendizaje automático 15
2.1 Introducción ………………………………………………. 16
2.2 Clasificación de sistemas de aprendizaje automático ………………………………………………… 16
2.3 Principales técnicas para desarrollar el aprendizaje automático …………………………. 18
2.3.1 Redes neuronales …………………………………. 19
2.3.2 Aprendizaje inductivo …………………………… 20
2.3.3 Razonamiento basado en casos …………… 21
2.3.4 Aprendizaje evolutivo …………………………… 22
2.4 Algoritmos o modelos aplicados al aprendizaje automático …………………………. 22
2.4.1 Algoritmos de clasificación …………………… 22
2.4.2 Algoritmos de regresión ………………………… 34
2.4.3 Algoritmos de detección de anomalías ………………………………………….. 38
2.4.4 Algoritmos de clustering ……………………….. 40
2.4.5 Algoritmos de refuerzo del aprendizaje …. 42
2.4.6 Otros algoritmos relacionados con el aprendizaje automático …………….. 43
2.5 Procedimientos del machine learning:datos, identificación de patrones y toma de decisiones …………………………………………….. 45
2.6 Herramientas de aprendizaje automático ….. 46
2.7 Aplicaciones del machine learning ……………. 49

Unidad 3
Aplicación de algoritmos de aprendizaje supervisado 53
3.1 Introducción al aprendizaje supervisado ……. 54
3.2 Determinación de elementos y herramientas de aprendizaje supervisado .. 55
3.3 Datos etiquetados ……………………………………… 58
3.3.1 Ejercicios de clasificación……………………… 60
3.3.2 Ejercicios de detector …………………………… 66
3.3.3 Ejercicios de segmentación ………………….. 68
3.3.4 Ejercicios de regresión ………………………….. 71
3.4 Aplicación de un modelo. Etiquetas de salida ……………………………………………………. 72
3.4.1 Clasificador binario……………………………….. 72
3.4.2 Clasificador de dígitos (binario o no binario) ……………………………………………. 80
3.4.3 Clasificador amplio (CIFAR 100) ……………. 83
3.4.4 Segmentador ……………………………………….. 88
3.4.5 Segmentador sobre una Jetson nano …… 94
3.5 Plataformas de aprendizaje automático supervisado………………………………………………… 94
3.5.1 Pasos para ejecutar DIGITS en Ubuntu ….. 96
3.6 Fases del aprendizaje automático ……………… 99
3.6.1 Selección del algoritmo de aprendizaje supervisado ………………….. 99
3.6.2 Selección de datos ………………………………. 99
3.6.3 Construcción del modelo ……………………. 100
3.6.4 Validación del modelo ……………………….. 101
3.6.5 Ajuste de características o parámetros …. 101
3.6.6 Implementación del modelo propuesto …102
3.6.7 Verificación del modelo de prueba ……. 102
3.6.8 Optimización del modelo …………………… 102

Unidad 4
Aplicación de algoritmos de aprendizaje no supervisado 105
4.1 Introducción al aprendizaje no supervisado …………………………………………. 106
4.1.1 Importando un set de datos de Pandas … 106
4.1.2 Visualización de un set de datos de Pandas/Cudf …………………………………. 108
4.1.3 Ordenar un set de datos de Pandas ….. 109
4.1.4 Extrayendo datos por filas o columnas … 111
4.1.5 Filtrando un set de datos …………………….. 111
4.1.6 Añadiendo filas o columnas ………………… 112
4.1.7 Eliminando datos duplicados………………. 112
4.1.8 Variables categóricas: conteo y proporción ………………………………………….. 112
4.1.9 Agrupaciones……………………………………… 113
4.1.10 Loc e iloc ………………………………………….. 115
4.1.11 Sumario de datos. Estadísticos de media y mediana ………………………… 116
4.2 Caracterización del tipo de problemas que el aprendizaje no supervisado
puede resolver …………………………………………. 116
4.3 Caracterización de las técnicas de aprendizaje no supervisado ………………… 117
4.4 Algoritmos utilizados en el aprendizaje no supervisado …………………………………………. 118
4.4.1 K-means …………………………………………….. 118
4.4.2 Denso (DBSCAN) …………………………………. 122
4.4.3 Jerárquico (HCA, HDBSCAN) ………………. 123
4.4.4 Probabilístico (GMM) …………………………… 126
4.4.5 Reducción dimensional (PCA-LDA-UMAP-TSNE) ………………………… 127
4.4.6 Autoencoders …………………………………….. 132
4.5 Fases del aprendizaje automático ……………. 132

Unidad 5
Caracterización de modelos computacionales de redes neuronales y comparación con otros modelos 135
5.1 Aprendizaje automático frente a aprendizaje profundo ……………………………. 136
5.2 Cómo aprende una red neuronal …………….. 137
5.2.1 Elementos de una red neuronal ………….. 137
5.2.2 Entrenamiento de una red neuronal …… 138
5.2.3 Gradiente descendente ……………………… 139
5.2.4 Generalización, sobreajuste y subajuste…………………………………………….. 140
5.2.5 Parada anticipada ……………………………… 140
5.3 Modelos de redes neuronales artificiales: redes neuronales convolucionales……………. 143
5.3.1 Entrada ………………………………………………. 144
5.3.2 Capa convolucional …………………………… 144
5.3.3 Función de activación ReLu ……………….. 146
5.3.4 Capas de agrupación ………………………… 146
5.3.5 Aplanamiento …………………………………….. 147
5.3.6 Capa completamente conectada …….. 147
5.3.7 Softmax ………………………………………………. 147
5.3.8 Capa de salida…………………………………… 147
5.4 Otras redes neuronales …………………………….. 148
5.4.1 Redes generativas antagónicas………….. 148
5.4.2 Redes neuronales recurrentes……………… 148
5.4.3 Autoencoders …………………………………….. 149

Unidad 6
Valoración de la calidad de los resultados obtenidos en la práctica por los sistemas
de aprendizaje automático 153
6.1 Capacidad de generalización …………………. 154
6.2 Test …………………………………………………………… 155
6.3 Validación ………………………………………………… 155
6.4 Medidas de rendimiento para modelos de regresión ………………………. 157
6.5 La matriz de confusión ……………………………… 159
6.6 Las curvas ROC ………………………………………… 160

Biblografía 105