Sistemas de Aprendizaje Automático

, , , ,

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). 

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.

Colección
Big data, Data Science e Inteligencia Artificial
Materia
Inteligencia artificial
Idioma
  • Castellano
EAN
9788419444981
ISBN
978-84-19444-98-1
Páginas
264
Edición
1
Fecha publicación
30-05-2023
eBook
9,49 €
Descuento 5%9,99 €

178,18 MX$9,91 US$Comprar en E-BOOK Grupo RA-MA
También disponible en

Sobre Emilio Soria-Olivas (Escritor)

  • Emilio Soria-Olivas
    Emilio Soria Olivas. Catedrático de Universidad, Licenciado en Físicas y Doctor Ingeniero Electrónico. Es director del Máster en Ciencia de Datos y del Máster en Inteligencia Artificial ambos de la Universidad de Valencia. Ver más sobre el autor

Índice de contenido

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

Libros relacionados