000			03031nam a22001937a 4500
003			OSt
005			20250403134330.0
008			230419b |||||||| |||| 00| 0 eng d
020			_a978-958-792-440-4
040			_aB-ISTTENA
041			_aESP
245			_aInteligencia Artificial _bCasos Prácticos con Aprendizaje Profundo. _cEmilio Soria Olivas, Pablo Rodríguez Belenguer, Quique García Vidal, Fran Vaquer Estalrich, Juan Vicent Camisón, Jorge Vila Tomás.
250			_a1ra Ed.
260			_aColombia _bRa-ma Editorial; Edicionces de la U _c2022
300			_a334 PÁG. _c24 x 17 cm.
505			_aINDICE -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
650			_bDESARROLLO DEL PENSAMIENTO
942			_aB-ISTTENA _cBOOK _p19/04/2023 _qErika Calapucha _n17/04/2023
999			_c1014 _d1014