
Inteligencia artificial
Casos prácticos con aprendizaje profundoBy Varios autoresLength11h 29m
About this audiobook
Este libro tiene como objetivo acercar al lector, de una manera teórica y práctica, a la Inteligencia Artificial moderna usando modelos neuronales artificiales profundos que constituyen la base actual de esta tecnología.
Esta obra, dirigida a estudiantes y profesionales, nos brinda información clara y concisa sobre la IA en la que se abordan desde el concepto de neurona artificial planteado en 1943 hasta las últimas aplicaciones de Modelos Generativos y Aprendizaje Reforzado. Se tratan aplicaciones prácticas en el campo de bioseñales, reconocimiento de imágenes, series temporales y sistemas de IA que dirigen videojuegos, entre muchas otras cosas.
Cada capítulo contiene una parte de teoría e incluye actividades y ejemplos prácticos con el propósito de facilitar la asimilación de los conocimientos tratados. Está escrito con lenguaje claro y didáctico por lo que es muy adecuado para impartir cursos sobre sistemas de IA o bien de Modelos Neuronales. Además, el libro se acompaña de un repositorio de código con todas las prácticas resueltas en Python, y listas para ejecutarse en entornos como Google Colab.
Audiobook details
GenreTechnology
Length11 hrs 29 mins
Narrated byListen with 1,000+ voices
FormateBook with Audio
Publish dateDec 6, 2022
LanguageSpanish
Table of contents
1Informática
2Bogotá, Colombia
3CAPÍTULO 1. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO .........................15
4AGRADECIMIENTOS
5AUTORES
Show all chaptersShow less
6INTRODUCCIÓN AL LIBRO
7Richard Feynman
81.1 EL SIGLO DE LOS DATOS
9Capítulo 1. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO 17
10Capítulo 1. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO 19
11Capítulo 1. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO 23
12Capítulo 1. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO 25
13Figura 1.7. División del conjunto de datos en entrenamiento/validación y test.
14Capítulo 1. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO 29
15Capítulo 1. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO 31
16Capítulo 1. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO 33
17Figura 1.15. Esquema de un clasificador basado en Aprendizaje Profundo.
18Capítulo 1. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO 41
19Capítulo 1. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO 43
20MODELOS NEURONALES MULTIFUNCIÓN
212.2 PERCEPTRÓN. ALGORITMO DE APRENDIZAJE
22XOR
23Tabla 2.2. Puertas lógicas (se codifican como –1/1).
242.3 ADALINA. DESCENSO POR GRADIENTE. LMS
25Figura 2.10. Esquema de la estructura canceladora de ruido.
26Capítulo 2. MODELOS NEURONALES MULTIFUNCIÓN 61
27Una variación del algoritmo AdaGrad son los algoritmos Adadelta y RMSprop
282.7.1 Arquitectura
29Donde los incrementos se calculan entre iteraciones.
302.7.2 Modo de funcionamiento
312.7.3 Función de coste
32Capítulo 2. MODELOS NEURONALES MULTIFUNCIÓN 79
332.7.5 Preprocesado de las entradas
34Capítulo 2. MODELOS NEURONALES MULTIFUNCIÓN 81
35SOLUCIÓN
36‘sigmoid’: dsigmoid_fn
37Capítulo 2. MODELOS NEURONALES MULTIFUNCIÓN 95
38MLP usado como modelizador (regresión)
39MODELOS NEURONALES ORIENTADOS A VISIÓN
403.1 PROBLEMAS DEL MLP EN IMÁGENES
413.2 ARQUITECTURA DE UNA CNN. PARTES ESENCIALES
42Capítulo 3. MODELOS NEURONALES ORIENTADOS A VISIÓN 111
43Cabe decir que tanto Global Max Pooling como Global Average Pooling se
443.3 ARQUITECTURAS FAMOSAS
45Figura 3.10. Esquema de la arquitectura LeNet-5.
463.4 AUMENTO DE DATOS Y TRANSFERENCIA DE APRENDIZAJE
47entrenar.
483.5.1 Detección de objetos
49Figura 3.18. Arquitectura de alto nivel del modelo Faster R-CNN.
503.5.2 Segmentación de imágenes