Autor: JAIME DUQUE DOMINGO, JAIME GÓMEZ GARCÍA-BERMEJO, EDUARDO ZALAMA CASANOVA
Páginas: 368
Editorial: Alfaomega – Ra-ma
Visión Artificial mediante Aprendizaje Automático con Tensorflow y Pytorch
$43.777
Saber más
Puedes solicitar tu línea de crédito 100% online y de forma segura.
Sin trámites. ¡Haz todo desde la app de Mercado Pago!
Sin tasas de mantenimiento ni costos adicionales.
¡Compra ahora y paga después!
Compra en hasta 12 pagos mensuales sin usar tarjeta de crédito
¿Tienes dudas? Consulta nuestra FAQ . Crédito sujeto a aprobación.
Descripción
La visión artificial es una de las áreas de la ingeniería de sistemas que mayor interés ha adquirido en los últimos años, permitiendo resolver problemas tan diferentes como la conducción autónoma, el reconocimiento facial, la detección de defectos industriales o la Interacción de robots con humanos. Por otro lado, los modelos de aprendizaje automático, como las redes neuronales, son ampliamente utilizados en visión e inteligencia artificial.
Este libro está dirigido a estudiantes, investigadores y profesionales deseosos de profundizar en este apasionante campo. De forma práctica se revisan algunos conceptos básicos de visión artificial, así como algunos algoritmos de aprendizaje supervisado y no supervisado, todo ello acompañado de numerosos modelos que permiten resolver problemas actuales.
Utilizando Python con Tensorflow o Pytorch, se explica cómo funcionan internamente y se entrenan distintos tipos de redes neuronales. De forma didáctica, el libro guía al lector para que sea capaz de implementar y utilizar modelos más complejos, como los basados en redes siamesas, redes generativas antagónicas, redes recurrentes, redes de detección o segmentación, e incluso modelos de atención y modelos compuestos. Esta es una guía completa para aprender los fundamentos de la informática de manera clara y amena. Sin importar su nivel de conocimiento previo, este libro le guiará desde los conceptos más elementales hasta la adquisición de destrezas prácticas.
No deje pasar esta oportunidad. Adquiera ya los conocimientos que le permitirán desenvolverse con confianza en el mundo digital.
CONTENIDO
- Introducción y conceptos básicos
1.1. Introducción
1.2. Imagen y vídeo
1.3. El color
1.4. Operaciones básicas con imágenes.
1.5. El producto de convolución
1.6. Convolución multicanal
1.7. Procesamiento del resultado del filtrado
1.8. Transformaciones geométricas
1.9. Remuestreo y pirámides de imágenes.
- Frameworks de visión y deep learning
2.1. Introducción a OpenCV
2.2. Pillow y DLIB
2.2.1. Pillow
2.2.2. DLIB
2.3. Introducción a Tensorflow
2.4. Introducción a Pytorch
2.5. Esquema abierto de intercambio de redes neuronales
- Ciclo del proyecto y tipos de problemas
3.1. Ciclo del proyecto
3.2. Tipos de problemas
3.2.1. Clasificación de imágenes y vídeos
3.2.2. Detección, segmentación y reconocimiento de objetos y personas
3.2.3. Problemas de regresión
3.2.4. Aprendizaje de un único caso
3.2.5. Generación deimágenes siintéticas
- Aprendizaje supervisado y no supervisado
4.1. Aprendizaje no supervisado con K-Means
4.2. Aprendizaje supervisado con SVM
4.2.1. SVM con Scikit-Learn
4.2.2. SVM con OpenCV
- Redes neuronales
5.1. Perceptrón simple
5.2. Perceptrón multicapa
5.3. Algoritmo de retropropagación
5.3.1. Optimizadores
5.3.2. Ejemplo utilizando Tensorflow (modo secuencial)
5.3.3. Ejemplo utilizando Pytorch (modo secuencial)
5.3.4. Ejemplo utilizando Tensorflow (con API Funcional)
5.3.5. Ejemplo utilizando Pytorch (con API Funcional)
5.4. Problemas de clasificación
5.4.1. Entropía cruzada
5.4.2. Ejemplo de clasificación utilizando Tensorflow
5.4.3. Ejemplo de clasificación utilizando Pytorch
5.5. Problemas de regresión
5.5.1. Regresión con Tensorflow
5.5.2. Regresión con Pytorch
5.6. Redes de convolución
5.6.1. Ejemplo de clasificación utilizando Tensorflow
5.6.2. Ejemplo de clasificación utilizando Pytorch
5.6.3. Convoluciones 3D
5.7. Redes recurrentes
- Redes neuronales de clasificación
6.1. Transfer learning
6.2. Clasificación con Tensorflow
6.3. Mapas de calor con Tensorflow
6.4. Clasificación con Pytorch
6.5. Mapas de calor con Pytorch
6.6. Matriz de confusión con Pytorch
6.7. Redes ViT
6.8. Ejemplo de modelo ViT utilizando Pytorch
6.9. Comparativa de modelo ViT con modelo ConvNeXt-base utilizando Pytorch
- Clasificación en vídeo
7.1. Obtención de los vectores de características para la clasificación
DC-SASS utilizando Tensorflow
7.2. Entrenamiento de la LSTM de clasificación de DCSASS utilizando Tensorflow
- Redes siamesas
8.1. Ejemplo de red siamesa utilizando Tensorflow
- Redes generativas antagonicas (GAN)
9.1. Ejemplo de red generativa antagónica con Tensorflow
- Redes de codificación automática (AutoEncoder-Decoder)
10.1. Ejemplo de AutoEncoder-Decoder con Tensorflow
- Detección y segmentación de objetos
11.1. Detección
11.2. YOLO
11.2.1. Entrenamiento y detección con YOLO de manos
11.2.2. Entrenamiento y detección con YOLO de la Luna
11.3. Segmentación
11.3.1. Mask R-CNN
11.3.2. Entrenamiento y segmentación con Mask R-CNN
- Reconocimiento de articulaciones y puntos de personas
12.1. OpenPose
12.2. BlazePose
12.3. Algunos modelos de MediaPipe y DLIB
- Métodos combinados de integración de redes neuronales
13.1. Validación cruzada
13.2. Combinación de clasificadores
13.3. Cross Validation Voting (CVV)
13.4. Ejemplo de aplicación de CVV sobre CIFAR-10 con Pytorch
