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 y listas para
ejecutarse en entornos como Google Colab.
El libro contiene material adicional que podrá descargar accediendo a la ficha del libro en www.ra-ma.es.
- AGRADECIMIENTOS
- AUTORES
- INTRODUCCIÓN AL LIBRO
- CAPÍTULO 1. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO
- El siglo de los datos
- Análisis de los datos. ETAPAS
- Aprendizaje máquina. tipos y aplicaciones
- Aprendizaje profundo. breve historia
- Bibliografía
- CAPÍTULO 2. MODELOS NEURONALES MULTIFUNCIÓN
- Neurona Artificial. Elementos que la forman
- Perceptrón. Algoritmo de aprendizaje
- Adalina. descenso por gradiente. LMS
- Estructuras adaptativas. variantes del LMS
- Perceptrón Multicapa. Backpropagation
- Variantes del Backpropagation. elección de la arquitectura
- Aplicando el perceptrón multicapa
- Arquitectura
- Modo de funcionamiento
- Función de coste
- Sobreajuste (overfitting)
- Preprocesado de las entradas
- Problemas con estructuras profundas
- Modelos neuronales para clustering. SOM
- Laboratorio
- Bibliografía
- CAPÍTULO 3. MODELOS NEURONALES ORIENTADOS A VISIÓN
- Problemas del MLP en imágenes
- Arquitectura de una CNN. Partes esenciales
- Arquitecturas famosas
- Modelos más relevantes que han participado en el ILSVRC
- Aumento de datos y transferencia de aprendizaje
- Otras aplicaciones de las cnn
- Bibliografía
- CAPÍTULO 4. MODELOS NEURONALES ORIENTADOS A DATOS TEMPORALES
- Datos temporales. Características
- Modelos multicapa recurrentes clásicos
- Redes recurrentes (RNN)
- Long-Short-Term Memory (LSTM)
- Redes gated recurrent unit (GRU)
- Aplicaciones de las Redes Recurrentes
- Laboratorio
- Bibliografía
- CAPÍTULO 5. MODELOS GENERATIVOS
- Introducción a los modelos generativos
- Autoencoders
- Autoencoders variacionales
- GAN (Generative Adversarial Networks)
- Problemas en el ajuste de las GAN
- Variaciones de las GAN
- Laboratorio
- Bibliografía
- CAPÍTULO 6. APRENDIZAJE REFORZADO
- Introducción al Aprendizaje Reforzado
- Elementos matemáticos a tener en cuenta en el Aprendizaje Reforzado
- Métodos de aprendizaje por diferencias temporales: SARSA y Q-learning
- Aprendizaje Reforzado Profundo
- Laboratorio
- Bibliografía
- MATERIAL ADICIONAL