Aprendizaje automático y profundo en python (Registro nro. 998)
[ vista simple ]
| 000 -CABECERA | |
|---|---|
| campo de control de longitud fija | 06062nam a22001937a 4500 |
| 003 - NUMERO DE CONTROL DE IDENTIFICACIÓN | |
| campo de control | OSt |
| 005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN | |
| campo de control | 20250403140303.0 |
| 008 - DATOS DE LONGITUD FIJA--INFORMACIÓN GENERAL | |
| campo de control de longitud fija | 230418b |||||||| |||| 00| 0 eng d |
| 020 ## - NÚMERO INTERNACIONAL ESTÁNDAR DEL LIBRO (ISBN) | |
| Número Internacional Estándar del Libro (ISBN) | 978-958-792-316-2 |
| 040 ## - FUENTE DE LA CATALOGACIÓN | |
| Centro catalogador/agencia de origen | B-ISTTENA |
| 041 ## - CÓDIGO DE LENGUA | |
| Código de lengua del texto/banda sonora o título independiente | ESP |
| 245 ## - MENCIÓN DE TÍTULO | |
| Título | Aprendizaje automático y profundo en python |
| Resto del título | Una mirada hacia la inteligencia artificial. |
| Mención de responsabilidad, etc | Carlos M. Pineda Pertuz |
| 250 ## - MENCIÓN DE EDICIÓN | |
| Mención de edición | 1era Ed. |
| 260 ## - PUBLICATION, DISTRIBUTION, ETC. | |
| Lugar de publicación, distribución, etc. | Colombia |
| Nombre del editor, distribuidor, etc. | Ediciones de la U |
| Fecha de publicación, distribución, etc. | 2021 |
| 300 ## - DESCRIPCIÓN FÍSICA | |
| Extensión | 342 pág. |
| Dimensiones | 24 cm |
| 505 ## - NOTA DE CONTENIDO CON FORMATO | |
| Nota de contenido con formato | -Contenido<br/>-Prólogo<br/>-Introducción<br/>-CAPITULO 1. Conceptos básicos de programación en Python 3.9<br/>1.1 Entorno de desarrollo y primeros pasos<br/>1.2 Variables, Tipos de datos y operadores........<br/>1.3 Estructuras de datos: Tuplas, listas y diccionarios<br/>1.4 Estructuras selectivas.<br/>1.5 Estructuras repetitivas<br/>1.6 Funciones<br/>1.7 Clases y objetos.<br/>-CAPITULO 2. Introducción al Aprendizaje Automático<br/>2.1 ¿Qué es aprendizaje automático?.<br/>2.2 Conceptos de aprendizaje automático<br/>2.3 Tipos de aprendizaje automático.<br/>2.4 Problemas tipicos en aprendizaje automático.<br/>2.5 Metodología CRISP-DM.<br/>-CAPÍTULO 3. Herramientas para el aprendizaje automático<br/>3.1 Manejo básico de datos con PANDAS.<br/>3.2 Manejo de arreglos con Numpy.<br/>3.2.1. Creación de arreglos..<br/>3.2.2. Acceso a elementos<br/>3.2.3. Redimensionamiento.<br/>3.2.4. Operaciones matemáticas.<br/>3.3 Creando gráficos con Matplotlib.<br/>3.3.1 Gráficos de líneas..<br/>3.3.2 Gráficos de barras.<br/>3.3.3 Diagramas de dispersión<br/>3.3.4. Histogramas<br/>3.3.5. Diagrama de caja y bigotes<br/>3.4 Breve Introducción a Scikit-Learn.<br/>-CAPÍTULO 4. Preprocesado de datos<br/>4.1 ¿Que es el preprocesado de datos?<br/>4.2 Creación de conjunto de entrenamiento y pruebas<br/>4.3 Manejo de datos ausentes<br/>4.4 Manejo de datos categóricos.<br/>4.5 Escalamiento de características<br/>-CAPÍTULO 5. Modelos de regresión<br/>5.1 Visualización de la relación entre características del conjunto de datos.<br/>5.2 Solución mediante el enfoque de minimos cuadrados<br/>5.3 Descenso del gradiente<br/>5.4 Regresión lineal mediante scikit-learn<br/>5.4.1. Regresión Simple 5.4.2 Regresión múltiple<br/>5.5 Regresión con random sample consensus (RAMSAC).<br/>5.6 Regresión lineal polinómica.<br/>5.7 Regresión lineal múltiple en notación matricial<br/>5.8 Modelos no lineales<br/>5.8.1 Funciones no lineales.<br/>5.8.2 Ejemplo suscripciones de telefonia<br/>-CAPÍTULO 6. Regularización, métricas de evaluación y ajuste de hiperparámetros<br/>6.1. Regularización.<br/>6.1.1 Regresión Rígida<br/>6.1.2 Regresión Lasso.<br/>6.1.3 Red elástica<br/>6.2. Métricas y técnicas de validación de modelos de regresión<br/>6.2.1 Error absoluto medio (MAE)<br/>6.2.2 Error cuadrático medio (MSE).<br/>6.2.3 Coeficiente de determinación (R²)<br/>6.2.4 Validación cruzada por k iteraciones<br/>6.3. Curvas de aprendizaje y validación<br/>6.4. Técnica de busqueda de cuadriculas para el ajuste de hiperparámetros..<br/>-CAPÍTULO 7. Modelos de Clasificación I.<br/>7.1 Perceptrón simple.<br/>7.2 Neurona lineal adaptativa (ADALINE)<br/>7.3 Regresión logística.<br/>7.3.1 Regresión logística con scikit-learn<br/>7.3.2 Regresión logística con el descenso del gradiente estocástico.<br/>7.3.3 Regresión logística con regularización.<br/>7.4. Métricas de evaluación<br/>7.4.1. Matriz de confusión.<br/>7.4.2. Exactitud (Accuracy).<br/>7.4.3. Precisión (Precision).<br/>7.4.4. Recall, Sensibilidad o TPR (Tasa de verdadero positivo)<br/>7.4.5. F1<br/>7.4.6. Tasa de falsos positivos..<br/>7.4.7. Curvas ROC (receiver operating characteristics)<br/>7.5 Máquinas de vectores de soporte (SVM).<br/>7.5.1. Clasificación Multiclase con SVM lineal...<br/>7.5.2. Kernels para separar datos no lineales.<br/>-CAPÍTULO 8. Modelos de Clasificación II.<br/>8.1 Árboles de decisión<br/>8.1.1. Métricas para medir la separación<br/>8.1.2. Crear y visualizar árboles de decisión con Scikit-Learn<br/>8.1.3. Identificación de características importantes.<br/>8.2 Bosques aleatorios (Random Forest)<br/>8.3 Adaboost (Adaptative boosting)<br/>8.4 Gradient boosting.<br/>8.5 Naive bayes.<br/>8.6 K Vecinos mas cercanos (KNN).<br/>8.7 Sistemas de recomendación<br/>8.7.1. Sistemas de recomendación basados en contenido<br/>8.7.2. Sistema de recomendación basado en filtro colaborativo 220<br/>8.8 Entrenamiento mediante aprendizaje en línea.<br/>-CAPÍTULO 9. Clustering.<br/>9.1 K Medias<br/>9.2 Clustering jerárquico.<br/>9.3 Dbscan (Density Based Spatial Clustering of Applications with Noise)....<br/>-CAPÍTULO 10. Reducción de la dimensionalidad<br/>10.1 Análisis de componentes principales (PCA).<br/>10.2 Análisis discriminante lineal (ADL)<br/>APRENDIZAJE AUTOMÁTICO Y PROFUNDO EN PYTHON-CARLOS M. PINEDA P<br/>11.1 Conceptos básicos sobre redes neuronales.<br/>11.1.1. Neurona artificial<br/>11.1.2. Red neuronal<br/>11.1.3. Pesos.<br/>11.1.4. Sesgos (Bias).<br/>11.1.5. Funciones de activación determina la salida de la neurona...<br/>11.2 Entrenamiento de una red neuronal<br/>11.3 Red neuronal para clasificación binaria...<br/>11.4 Red neuronal para clasificación múltiple.<br/>-CAPÍTULO 12. Redes neuronales convolucionales.<br/>12.1 Introducción a las redes neuronales convolucionales<br/>12.1.1. Convolución.<br/>12.1.2. Agrupación..<br/>12.2 CNNs en Keras.<br/>12.3 Regularización y dropout.<br/>-CAPÍTULO 13. Aumento de datos y transferencia de aprendizaje.<br/>13.1 Generador de datos de imágenes<br/>13.2 Aumento de datos (data augmentation).<br/>13.3 Transferencia de aprendizaje (transfer learning)<br/>13.3.1. Extracción de caracteristicas<br/>13.3.2. Ajuste fino (Fine tuning).<br/>-CAPÍTULO 14. Introducción al Procesamiento del Lenguaje Natural (PNL).<br/>14.1 Palabras embebidas (Word embedding).<br/>14.2 Introducción a Word2Vec.<br/>14.3 Word2vec con libreria Gensim<br/>-CAPÍTULO 15. Redes neuronales recurrentes (RNN).<br/>15.1 Introducción a las redes neuronales recurrentes..<br/>15.2 Propagación a través del tiempo (BPTT).<br/>15.3 LSTM (Memoria larga a corto plazo)<br/>15.3.1. Ejemplo sobre análisis de sentimiento<br/>15.3.2. Ejemplo sobre generación de texto<br/>-Referencias bibliográficas<br/>-Indice analítico<br/><br/> |
| 650 ## - | |
| Término de materia o nombre geográfico como elemento de entrada | Fundamentos de programación |
| 942 ## - ELEMENTOS DE PUNTO DE ACCESO ADICIONAL (KOHA) | |
| Código de la institución [OBSOLETO] | B-ISTTENA |
| Tipo de ítem Koha | Libros |
| Fecha de Catalogación | 18/04/2023 |
| Catalogador | Rosa Alvarado |
| Fecha de adquisición | 14/04/2023 |
| Localización permanente | Fecha de adquisición | Fuente de adquisición | Número de inventario | Código de barras | Número de copia | Costo, precio normal de compra | Tipo de ítem Koha |
|---|---|---|---|---|---|---|---|
| Instituto Superior Tecnológico Tena | 04/11/2023 | DONACIÓN | ISTT-DS-0210 | ISTT-DS-0210 | Eje. 1/2 | 35.00 | Libros |
| Instituto Superior Tecnológico Tena | 04/14/2023 | DONACIÓN | ISTT-DS-0217 | ISTT-DS-0217 | Eje. 2/2 | 35.00 | Libros |