06062nam a22001937a 4500 OSt 20250403140303.0 230418b |||||||| |||| 00| 0 eng d 978-958-792-316-2 B-ISTTENA ESP Aprendizaje automático y profundo en python Una mirada hacia la inteligencia artificial. Carlos M. Pineda Pertuz 1era Ed. Colombia Ediciones de la U 2021 342 pág. 24 cm -Contenido -Prólogo -Introducción -CAPITULO 1. Conceptos básicos de programación en Python 3.9 1.1 Entorno de desarrollo y primeros pasos 1.2 Variables, Tipos de datos y operadores........ 1.3 Estructuras de datos: Tuplas, listas y diccionarios 1.4 Estructuras selectivas. 1.5 Estructuras repetitivas 1.6 Funciones 1.7 Clases y objetos. -CAPITULO 2. Introducción al Aprendizaje Automático 2.1 ¿Qué es aprendizaje automático?. 2.2 Conceptos de aprendizaje automático 2.3 Tipos de aprendizaje automático. 2.4 Problemas tipicos en aprendizaje automático. 2.5 Metodología CRISP-DM. -CAPÍTULO 3. Herramientas para el aprendizaje automático 3.1 Manejo básico de datos con PANDAS. 3.2 Manejo de arreglos con Numpy. 3.2.1. Creación de arreglos.. 3.2.2. Acceso a elementos 3.2.3. Redimensionamiento. 3.2.4. Operaciones matemáticas. 3.3 Creando gráficos con Matplotlib. 3.3.1 Gráficos de líneas.. 3.3.2 Gráficos de barras. 3.3.3 Diagramas de dispersión 3.3.4. Histogramas 3.3.5. Diagrama de caja y bigotes 3.4 Breve Introducción a Scikit-Learn. -CAPÍTULO 4. Preprocesado de datos 4.1 ¿Que es el preprocesado de datos? 4.2 Creación de conjunto de entrenamiento y pruebas 4.3 Manejo de datos ausentes 4.4 Manejo de datos categóricos. 4.5 Escalamiento de características -CAPÍTULO 5. Modelos de regresión 5.1 Visualización de la relación entre características del conjunto de datos. 5.2 Solución mediante el enfoque de minimos cuadrados 5.3 Descenso del gradiente 5.4 Regresión lineal mediante scikit-learn 5.4.1. Regresión Simple 5.4.2 Regresión múltiple 5.5 Regresión con random sample consensus (RAMSAC). 5.6 Regresión lineal polinómica. 5.7 Regresión lineal múltiple en notación matricial 5.8 Modelos no lineales 5.8.1 Funciones no lineales. 5.8.2 Ejemplo suscripciones de telefonia -CAPÍTULO 6. Regularización, métricas de evaluación y ajuste de hiperparámetros 6.1. Regularización. 6.1.1 Regresión Rígida 6.1.2 Regresión Lasso. 6.1.3 Red elástica 6.2. Métricas y técnicas de validación de modelos de regresión 6.2.1 Error absoluto medio (MAE) 6.2.2 Error cuadrático medio (MSE). 6.2.3 Coeficiente de determinación (R²) 6.2.4 Validación cruzada por k iteraciones 6.3. Curvas de aprendizaje y validación 6.4. Técnica de busqueda de cuadriculas para el ajuste de hiperparámetros.. -CAPÍTULO 7. Modelos de Clasificación I. 7.1 Perceptrón simple. 7.2 Neurona lineal adaptativa (ADALINE) 7.3 Regresión logística. 7.3.1 Regresión logística con scikit-learn 7.3.2 Regresión logística con el descenso del gradiente estocástico. 7.3.3 Regresión logística con regularización. 7.4. Métricas de evaluación 7.4.1. Matriz de confusión. 7.4.2. Exactitud (Accuracy). 7.4.3. Precisión (Precision). 7.4.4. Recall, Sensibilidad o TPR (Tasa de verdadero positivo) 7.4.5. F1 7.4.6. Tasa de falsos positivos.. 7.4.7. Curvas ROC (receiver operating characteristics) 7.5 Máquinas de vectores de soporte (SVM). 7.5.1. Clasificación Multiclase con SVM lineal... 7.5.2. Kernels para separar datos no lineales. -CAPÍTULO 8. Modelos de Clasificación II. 8.1 Árboles de decisión 8.1.1. Métricas para medir la separación 8.1.2. Crear y visualizar árboles de decisión con Scikit-Learn 8.1.3. Identificación de características importantes. 8.2 Bosques aleatorios (Random Forest) 8.3 Adaboost (Adaptative boosting) 8.4 Gradient boosting. 8.5 Naive bayes. 8.6 K Vecinos mas cercanos (KNN). 8.7 Sistemas de recomendación 8.7.1. Sistemas de recomendación basados en contenido 8.7.2. Sistema de recomendación basado en filtro colaborativo 220 8.8 Entrenamiento mediante aprendizaje en línea. -CAPÍTULO 9. Clustering. 9.1 K Medias 9.2 Clustering jerárquico. 9.3 Dbscan (Density Based Spatial Clustering of Applications with Noise).... -CAPÍTULO 10. Reducción de la dimensionalidad 10.1 Análisis de componentes principales (PCA). 10.2 Análisis discriminante lineal (ADL) APRENDIZAJE AUTOMÁTICO Y PROFUNDO EN PYTHON-CARLOS M. PINEDA P 11.1 Conceptos básicos sobre redes neuronales. 11.1.1. Neurona artificial 11.1.2. Red neuronal 11.1.3. Pesos. 11.1.4. Sesgos (Bias). 11.1.5. Funciones de activación determina la salida de la neurona... 11.2 Entrenamiento de una red neuronal 11.3 Red neuronal para clasificación binaria... 11.4 Red neuronal para clasificación múltiple. -CAPÍTULO 12. Redes neuronales convolucionales. 12.1 Introducción a las redes neuronales convolucionales 12.1.1. Convolución. 12.1.2. Agrupación.. 12.2 CNNs en Keras. 12.3 Regularización y dropout. -CAPÍTULO 13. Aumento de datos y transferencia de aprendizaje. 13.1 Generador de datos de imágenes 13.2 Aumento de datos (data augmentation). 13.3 Transferencia de aprendizaje (transfer learning) 13.3.1. Extracción de caracteristicas 13.3.2. Ajuste fino (Fine tuning). -CAPÍTULO 14. Introducción al Procesamiento del Lenguaje Natural (PNL). 14.1 Palabras embebidas (Word embedding). 14.2 Introducción a Word2Vec. 14.3 Word2vec con libreria Gensim -CAPÍTULO 15. Redes neuronales recurrentes (RNN). 15.1 Introducción a las redes neuronales recurrentes.. 15.2 Propagación a través del tiempo (BPTT). 15.3 LSTM (Memoria larga a corto plazo) 15.3.1. Ejemplo sobre análisis de sentimiento 15.3.2. Ejemplo sobre generación de texto -Referencias bibliográficas -Indice analítico Fundamentos de programación B-ISTTENA BOOK 18/04/2023 Rosa Alvarado 14/04/2023 998 998 BISTT 2023-04-11 DONACIÓN ISTT-DS-0210 ISTT-DS-0210 Eje. 1/2 35.00 BOOK BISTT 2023-04-14 DONACIÓN ISTT-DS-0217 ISTT-DS-0217 Eje. 2/2 35.00 BOOK