03031nam a22001937a 4500 OSt 20250403134330.0 230419b |||||||| |||| 00| 0 eng d 978-958-792-440-4 B-ISTTENA ESP 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. 1ra Ed. Colombia Ra-ma Editorial; Edicionces de la U 2022 334 PÁG. 24 x 17 cm. 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 DESARROLLO DEL PENSAMIENTO B-ISTTENA BOOK 19/04/2023 Erika Calapucha 17/04/2023 1014 1014 BISTT 2023-04-17 DONACIÓN ISTT-DS-0226 ISTT-DS-0226 Eje. 1/1 39.52 BOOK