Inteligencia artificial y computacional. Teoría y prácticas con Python

ACERCA DE LOS AUTORES
PREFACIO
CAPÍTULO 1. LÓGICA DIFUSA.
1.1. INTRODUCCIÓN
1.2 CONJUNTOS CLÁSICOS Y DIFUSOS
1.2.1 Conjuntos clásicos (crisp sets)
1.2.2 Conjuntos difusos (fuzzy sets)
1.3 TEORÍA DE LA LÓGICA DIFUSA
1.3.1 Teoría de los conjuntos difusos
1.3.2 Funciones de membresía
1.4 RELACIÓN CLÁSICAS Y DIFUSAS
1.4.1 Producto cartesiano
1.4.2 Relaciones clásicas
1.4.3 Relaciones difusas
1.4.4 Reglas difusas
1.4.5 Lógica de predicados
1.5 CONTROL DIFUSO
1.5.1 Etapas del control difuso
1.5.2 Difusificación de las entradas
1.5.3 Base de conocimientos
1.5.4 Lógica de decisiones
6 INTELIGENCIA ARTIFICIAL Y COMPUTACIONAL. TEORÍA Y PRÁCTICAS CON PYTHON © RA-MA
1.5.5 Desdifusificación
1.6 CONTROLADORES DIFUSOS
1.6.1 Controlador P
1.6.2 Controlador PD
1.6.3 Controlador PI
1.6.4 Controlador PID
1.7 REFERENCIAS
CAPÍTULO 2. REDES NEURONALES ARTIFICIALES
2.1 INTRODUCCIÓN
2.1.1 Estructura de una RNA
2.1.2 Campos de aplicación de las RNA
2.1.3 Historia de las RNA
2.1.4 Ventajas de las RNA
2.1.5 Conclusión
2.2 LA NEURONA ARTIFICIAL: LA UNIDAD BÁSICA DE LAS RNA
2.2.1 Las Entradas
2.2.2 Los Pesos
2.2.3 Función de Entrada
2.2.4 Función de Activación
2.2.5 Función de Salida
2.2.6 Implementación de una neurona en Python
2.3 TOPOLOGÍAS DE LAS REDES NEURONALES
2.4 ENTRENAMIENTO DE UNA RED NEURONAL ARTIFICIAL
2.4.1 Aprendizaje Supervisado
2.4.2 Aprendizaje No Supervisado
2.4.3 Aprendizaje por refuerzo
2.4.4 Aprendizaje por transferencia
2.4.5 Cómo escoger un paradigma de aprendizaje
2.4.6 Algoritmos de aprendizaje
2.5 EL PERCEPTRÓN
2.5.1 Construcción de un perceptrón
2.5.2 Implementación de un perceptrón para clasificación
2.5.3 Capacidades y limitaciones del perceptrón
2.5.4 El perceptrón y el problema de la función lógica XOR
2.6 ADALINE
2.6.1 Construcción de un ADALINE
2.6.2 Implementación de ADALINE para regresión
2.6.3 Capacidades y limitaciones de ADALINE
2.7 REDES MULTICAPA
2.7.1 Generalización
2.7.2 El Perceptrón multicapa
2.8 CLASIFICACIÓN DE IMÁGENES CON RNA'S
2.8.1 Arquitectura del modelo para el problema digits
2.9 REFERENCIAS
CAPÍTULO 3. ALGORITMOS METAHEURÍSTICOS
3.1 INTRODUCCIÓN
3.2 OPTIMIZACIÓN CLÁSICA
3.3 ESQUEMA CLÁSICO
3.4 ALGORITMOS CLÁSICOS
3.4.1 Algoritmo Genético (GA)
3.4.2 Evolución Diferencial (DE)
3.4.3 Optimización por Enjambre de Partículas (PSO)0
3.4.4 Optimizador de la Araña Social (SSO)
3.5 APLICACIONES Y EJEMPLOS EN PYTHON REFERENCIAS.
CAPÍTULO 4. ALGORITMOS DE AGRUPAMIENTO (CLUSTERING)
4.1 INTRODUCCIÓN
4.2 DEFINICIÓN DE CLÚSTER
4.3 MÉTRICAS DE PROXIMIDAD
4.3.1 Métricas de disimilitud
4.3.2 Métricas de similitud
4.4 PASOS BÁSICOS PARA HACER AGRUPAMIENTO
4.5 ALGORITMOS DE AGRUPAMIENTO CLÁSICOS
4.5.1 Cálculo del posible número de grupos a obtener
4.5.2 Algoritmo Básico de Agrupamiento Secuencial
4.5.3 Algoritmo K-medias (K-means)
4.5.4 Algoritmos de Agrupamiento Jerárquico
4.6 REFERENCIAS
APÉNDICE A. ENTORNO DE PYTHON
INTRODUCCIÓN
A.1 INSTALACIÓN Y CONFIGURACIÓN DE PYTHON
A.1.1 Introducción
A.1.2 Instalación de Python
A.1.3 Entorno IDLE de Python
A.2 LIBRERÍAS EN PYTHON
A.2.1 Instalación de librerías de Python
A.2.2 Documentación de paqueterías
A.3 GENERALIDADES DE PYTHON
A.3.1 Tipos de datos de Python:
A.3.2 Tipos de operadores
A.4 PRIMEROS PASOS EN PYTHON
A.4.1 Ejecutar códigos desde el editor de código
A.5 SOLUCIÓN DE ERRORES AL INSTALAR PYTHON
A.5.1 Error al instalar librerías en Python
ÍNDICE ALFABÉTICO
MATERIAL ADICIONAL