Inteligencia Artificial Casos Prácticos con Aprendizaje Profundo. Emilio Soria Olivas, Pablo Rodríguez Belenguer, Quique García Vidal, Fran Vaquer Estalrich, Juan Vicent Camisón, Jorge Vila Tomás.

Tipo de material:

TextoIdioma: ESP Detalles de publicación: Colombia Ra-ma Editorial; Edicionces de la U 2022Edición: 1ra EdDescripción: 334 PÁG. 24 x 17 cmISBN:

978-958-792-440-4

Tema(s):

DESARROLLO DEL PENSAMIENTO

Contenidos:

INDICE -AGRADECIMIENTOS -AUTORES -INTRODUCCIÓN AL LIBRO -CAPÍTULO 1. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO 1.1 EL SIGLO DE LOS DATOS 1.2 ANÁLISIS DE LOS DATOS. ETAPAS..... 1.3 APRENDIZAJE MÁQUINA. TIPOS Y APLICACIONES 1.4 APRENDIZAJE PROFUNDO. BREVE HISTORIA. 1.5 BIBLIOGRAFIA. -CAPÍTULO 2. MODELOS NEURONALES MULTIFUNCIÓN 2.1 NEURONA ARTIFICIAL. ELEMENTOS QUE LA FORMAN 2.2 PERCEPTRÓN. ALGORITMO DE APRENDIZAJE 2.3 ADALINA. DESCENSO POR GRADIENTE. LMS. 2.4 ESTRUCTURAS ADAPTATIVAS. VARIANTES DEL LMS 2.5 PERCEPTRÓN MULTICAPA. BACKPROPAGATION. 2.6 VARIANTES DEL BACKPROPAGATION. ELECCIÓN DE LA ARQUITECTURA...... 2.7 APLICANDO EL PERCEPTRÓN MULTICAPA. 2.7.1 Arquitectura.. 2.7.2 Modo de funcionamiento 2.7.3 Función de coste. 2.7.4 Sobreajuste (overfitting) 2.7.5 Preprocesador de las entradas. 2.7.6 Problemas con estructuras profundas. 2.8 MODELOS NEURONALES PARA CLUSTERING. SOM. 2.9 LABORATORIO 2.10 BIBLIOGRAFIA -CAPÍTULO 3. MODELOS NEURONALES ORIENTADOS A VISIÓN. 3.1 PROBLEMAS DEL MLP EN IMÁGENES.. 3.2 ARQUITECTURA DE UNA CNN. PARTES ESENCIALES. 3.3 ARQUITECTURAS FAMOSAS. 3.3.1 Modelos más relevantes que han participado en el ILSVRC. 3.4 AUMENTO DE DATOS Y TRANSFERENCIA DE APRENDIZAJE 3.5 OTRAS APLICACIONES DE LAS CNN 3.5.1 Detección de objetos. 3.5.2 Segmentación de imágenes 3.5.3 Laboratorio 3.6 BIBLIOGRAFIA.. -CAPÍTULO 4. MODELOS NEURONALES ORIENTADOS A DATOS TEMPORALES... 4.1 DATOS TEMPORALES. CARACTERÍSTICAS 4.2 MODELOS MULTICAPA RECURRENTES CLÁSICOS 4.3 REDES RECURRENTES (RNN) 4.4 LONG-SHORT-TERM MEMORY (LSTM) 4.5 REDES GATED RECURRENT UNIT (GRU) 4.6 APLICACIONES DE LAS REDES RECURRENTES. 4.7 LABORATORIO 4.8 BIBLIOGRAFIA.. -CAPÍTULO 5. MODELOS GENERATIVOS. 5.1 INTRODUCCIÓN A LOS MODELOS GENERATIVOS 5.2 AUTOENCODERS 5.3 AUTOENCODERS VARIACIONALES. 5.4 GAN (GENERATIVE ADVERSARIAL NETWORKS) 5.5 PROBLEMAS EN EL AJUSTE DE LAS GAN. 5.6 VARIACIONES DE LAS GAN. 5.7 LABORATORIO 5.8 BIBLIOGRAFÍA -CAPÍTULO 6. APRENDIZAJE REFORZADO 6.1 INTRODUCCIÓN AL APRENDIZAJE REFORZADO 6.2 ELEMENTOS MATEMÁTICOS A TENER EN CUENTA EN EL APRENDIZAJE REFORZADO 6.3 MÉTODOS DE APRENDIZAJE POR DIFERENCIAS TEMPORALES: SARSAY Q-LEARNING 64 APRENDIZAJE REFORZADO PROFUNDO 6.5 LABORATORIO 6.6 BIBLIOGRAFIA MATERIAL ADICIONAL

Etiquetas de esta biblioteca: No hay etiquetas de esta biblioteca para este título. Ingresar para agregar etiquetas.

Existencias
Imagen de cubierta	Tipo de ítem	Biblioteca actual	Biblioteca de origen	Colección	Ubicación en estantería	Signatura topográfica	Materiales especificados	Info Vol	URL	Copia número	Estado	Notas	Fecha de vencimiento	Código de barras	Reserva de ítems	Prioridad de la cola de reserva de ejemplar	Reservas para cursos
	Libros	Instituto Superior Tecnológico Tena								Eje. 1/1	Disponible			ISTT-DS-0226

INDICE
-AGRADECIMIENTOS
-AUTORES
-INTRODUCCIÓN AL LIBRO
-CAPÍTULO 1. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO
1.1 EL SIGLO DE LOS DATOS
1.2 ANÁLISIS DE LOS DATOS. ETAPAS.....
1.3 APRENDIZAJE MÁQUINA. TIPOS Y APLICACIONES
1.4 APRENDIZAJE PROFUNDO. BREVE HISTORIA.
1.5 BIBLIOGRAFIA.
-CAPÍTULO 2. MODELOS NEURONALES MULTIFUNCIÓN
2.1 NEURONA ARTIFICIAL. ELEMENTOS QUE LA FORMAN
2.2 PERCEPTRÓN. ALGORITMO DE APRENDIZAJE
2.3 ADALINA. DESCENSO POR GRADIENTE. LMS.
2.4 ESTRUCTURAS ADAPTATIVAS. VARIANTES DEL LMS
2.5 PERCEPTRÓN MULTICAPA. BACKPROPAGATION.
2.6 VARIANTES DEL BACKPROPAGATION. ELECCIÓN DE LA ARQUITECTURA......
2.7 APLICANDO EL PERCEPTRÓN MULTICAPA.
2.7.1 Arquitectura..
2.7.2 Modo de funcionamiento
2.7.3 Función de coste.
2.7.4 Sobreajuste (overfitting)
2.7.5 Preprocesador de las entradas.
2.7.6 Problemas con estructuras profundas.
2.8 MODELOS NEURONALES PARA CLUSTERING. SOM.
2.9 LABORATORIO
2.10 BIBLIOGRAFIA
-CAPÍTULO 3. MODELOS NEURONALES ORIENTADOS A VISIÓN.
3.1 PROBLEMAS DEL MLP EN IMÁGENES..
3.2 ARQUITECTURA DE UNA CNN. PARTES ESENCIALES.
3.3 ARQUITECTURAS FAMOSAS.
3.3.1 Modelos más relevantes que han participado en el ILSVRC.
3.4 AUMENTO DE DATOS Y TRANSFERENCIA DE APRENDIZAJE
3.5 OTRAS APLICACIONES DE LAS CNN
3.5.1 Detección de objetos.
3.5.2 Segmentación de imágenes
3.5.3 Laboratorio
3.6 BIBLIOGRAFIA..
-CAPÍTULO 4. MODELOS NEURONALES ORIENTADOS A DATOS TEMPORALES...
4.1 DATOS TEMPORALES. CARACTERÍSTICAS
4.2 MODELOS MULTICAPA RECURRENTES CLÁSICOS
4.3 REDES RECURRENTES (RNN)
4.4 LONG-SHORT-TERM MEMORY (LSTM)
4.5 REDES GATED RECURRENT UNIT (GRU)
4.6 APLICACIONES DE LAS REDES RECURRENTES.
4.7 LABORATORIO
4.8 BIBLIOGRAFIA..
-CAPÍTULO 5. MODELOS GENERATIVOS.
5.1 INTRODUCCIÓN A LOS MODELOS GENERATIVOS
5.2 AUTOENCODERS
5.3 AUTOENCODERS VARIACIONALES.
5.4 GAN (GENERATIVE ADVERSARIAL NETWORKS)
5.5 PROBLEMAS EN EL AJUSTE DE LAS GAN.
5.6 VARIACIONES DE LAS GAN.
5.7 LABORATORIO
5.8 BIBLIOGRAFÍA
-CAPÍTULO 6. APRENDIZAJE REFORZADO
6.1 INTRODUCCIÓN AL APRENDIZAJE REFORZADO
6.2 ELEMENTOS MATEMÁTICOS A TENER EN CUENTA EN EL APRENDIZAJE REFORZADO
6.3 MÉTODOS DE APRENDIZAJE POR DIFERENCIAS TEMPORALES: SARSAY Q-LEARNING
64 APRENDIZAJE REFORZADO PROFUNDO
6.5 LABORATORIO
6.6 BIBLIOGRAFIA
MATERIAL ADICIONAL

Haga clic en una imagen para verla en el visor de imágenes

Centro de

Documentación

Catálogo en línea

Inteligencia Artificial Casos Prácticos con Aprendizaje Profundo. Emilio Soria Olivas, Pablo Rodríguez Belenguer, Quique García Vidal, Fran Vaquer Estalrich, Juan Vicent Camisón, Jorge Vila Tomás.