La inteligencia artificial se centra en la creación de sistemas capaces de ejecutar tareas que requieran algún tipo de inteligencia humana. Entrar en este campo sin conocimientos previos puede parecer muy complejo, pero con esta obra estamos convencidos que cualquier lector puede lograrlo sin demasiado esfuerzo. El objetivo de este libro es hacer que la IA sea accesible y fácil de entender para personas con poca o ninguna experiencia en programación. De forma progresiva los lectores obtendrán el conocimiento que necesitan sobre cómo crear sistemas capaces de ejecutar tareas que requieren alguna forma de inteligencia similar a la humana, siempre acompañado de ejercicios prácticos para facilitar el aprendizaje. A través de ejemplos se comienza introduciendo al lector en la programación con Python, así como los conceptos claves en inteligencia artificial y se avanza de forma gradual hacia temas más complejos como el aprendizaje profundo y el aprendizaje automático, acompañando siempre la parte teórica con ejemplos prácticos que facilitarán la asimilación. Para finalizar, se abordan conceptos básicos de inteligencia artificial, como la clasificación y la regresión para continuar con implementaciones de inteligencia artificial, lo que permitirá a los lectores generar sus propios algoritmos de inteligencia artificial para el aprendizaje por refuerzo, los chatbots, la detección de rostros y reconocimiento facial, el procesamiento del habla y el lenguaje natural y el análisis de datos. Los contenidos están adaptados al Curso de Especialización de Ciberseguridad en Entornos de las Tecnologías de la Información. El libro contiene material adicional que podrá descargar accediendo a la ficha del libro en www.ra-ma.es
- PREFACIO
- AUTORES
- CAPÍTULO 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
- ¿QUÉ ES INTELIGENCIA ARTIFICIAL?
- HISTORIA DE LA INTELIGENCIA ARTIFICIAL
- LOS APOGEOS Y LOS DECLIVES DE LA INTELIGENCIA ARTIFICIAL
- LOS TIPOS DE INTELIGENCIA ARTIFICIAL
- INTELIGENCIA ARTIFICIAL EDGE/CLOUD
- MOMENTOS CLAVES DE LA INTELIGENCIA ARTIFICIAL
- EL ESTADO DE LA IA
- RECURSOS DE IA
- LA CONVERGENCIA TECNOLÓGICA EN EL CONTEXTO DE LA INTELIGENCIA ARTIFICIAL Y SU IMPACTO EN LOS NEGOCIOS
- La convergencia tecnológica
- Los modelos de automatización industrial y de negocio
- RESUMEN
- PREGUNTAS DE REVISIÓN DEL CAPÍTULO
- CAPÍTULO 2. HERRAMIENTAS DE DESARROLLO DE IA
- HERRAMIENTAS DE HARDWARE DE IA
- HERRAMIENTAS DE SOFTWARE DE IA
- INTRODUCCIÓN A PYTHON
- ENTORNOS DE DESARROLLO DE PYTHON
- COMENZANDO CON PYTHON
- CONJUNTOS DE DATOS DE IA
- FRAMEWORKS DE IA CON PYTHON
- RESUMEN
- PREGUNTAS DE REVISIÓN DEL CAPÍTULO
- CAPÍTULO 3. APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING)
- INTRODUCCIÓN
- APRENDIZAJE SUPERVISADO: CLASIFICACIONES
- APRENDIZAJE SUPERVISADO: REGRESIONES
- APRENDIZAJE NO SUPERVISADO
- APRENDIZAJE SEMISUPERVISADO
- APRENDIZAJE POR REFUERZO
- APRENDIZAJE EN CONJUNTO
- AUTOML
- PYCARET
- LAZYPREDICT
- RESUMEN
- PREGUNTAS DE REVISIÓN DEL CAPÍTULO
- CAPÍTULO 4. APRENDIZAJE PROFUNDO - DEEP LEARNING
- INTRODUCCIÓN
- REDES NEURONALES ARTIFICIALES
- Explicación del modelo de neurona artificial
- REDES NEURONALES CONVOLUCIONALES
- Redes Neuronales de Aprendizaje Profundo: LeNet, AlexNet, GoogLeNet
- Redes Neuronales de Aprendizaje Profundo: VGG, ResNet, DenseNet, MobileNet, EffecientNet, y YOLO
- Ejemplo de red neuronal Convolucional: clasificación de imágenes usando un modelo básico con Tensorflow y Keras
- REDES NEURONALES RECURRENTES
- Vanilla RNNs
- Memoria a Largo - Corto plazo (LSTM)
- Procesamiento de Lenguaje Natural y Kit de Herramientas de Lenguaje Natural de Python
- TRANSFORMERS
- Bibliotecas para el procesamiento de lenguaje natural BERT y ALBERT
- Modelo de Procesamiento de Lenguaje GPT - 3
- Transformers de Conmutación
- REDES NEURONALES GRÁFICAS
- Red Neuronal Gráfica SuperGLUE
- REDES NEURONALES BAYESIANAS
- META APRENDIZAJE
- RESUMEN
- PREGUNTAS DE REVISIÓN DEL CAPÍTULO
- CAPÍTULO 5. CLASIFICACIÓN DE IMÁGENES
- INTRODUCCIÓN
- CLASIFICACIÓN DE IMÁGENES CON MODELOS PREENTRENADOS
- Explicación del Ejemplo 5.1: clasificación de imágenes con modelos de redes neuronales preentrenados
- CLASIFICACIÓN CON MODELOS ENTRENADOS PERSONALIZADOS: APRENDIZAJE POR TRANSFERENCIA
- Explicación del ejemplo 5.2 (Clasificación de imágenes con modelos de redes neuronales personalizados, aprendizaje por transferencia)
- Modelo de aprendizaje profundo personalizado sin usar modelos base
- Explicación global del ejemplo 5.3: clasificación de imágenes con modelos de redes neuronales personalizados sin usar modelos base
- DETECCIÓN DE ENFERMEDADES A TRAVÉS DE IMÁGENES
- Clasificación de imágenes de cáncer de piel
- Clasificación de la retinopatía
- CLASIFICACIÓN DE IMÁGENES CON BASE EN WEB
- Clasificación de archivos de imagen apoyados en la biblioteca Streamlit de Python
- Explicación del ejemplo 5.4: clasificación de imágenes usando la biblioteca de Streamlit
- PROCESAMIENTO DE IMÁGENES
- Costura de imágenes
- Explicación del ejemplo 5.5: costura o unión de imágenes
- RESUMEN
- PREGUNTAS DE REVISIÓN DEL CAPÍTULO
- CAPÍTULO 6. DETECCIÓN DE ROSTROS Y RECONOCIMIENTO FACIAL
- INTRODUCCIÓN
- DETECCIÓN DE ROSTROS Y PUNTOS DE REFERENCIA FACIALES
- Explicación del ejemplo 6.1. Detección de rostros usando la librería opencv y el detector de rostros Haar
- Detección de rostros y ojos usando la librería Opencv y el detector Harrcascade
- Detección de rostros, ojos y sonrisa usando la librería Opencv y el detector Harrcascade
- Detección de rostros, ojos y sonrisa usando la librería opencv, el detector haarcascade y una cámara Web para capturar las imágenes de prueba
- Detección de rostros usando la librería Face_Recognition
- Explicación del ejemplo 6.5: detección de rostros usando la biblioteca Face_Recognition y la biblioteca PIL para trazar la imagen del rostro
- Detección de rostros usando la librería Face_Recognition y la librería Opencv
- RECONOCIMIENTO DE ROSTROS
- Reconocimiento de rostros con la librería Face_Recognition usando cámara Web para introducir la imagen de prueba
- Explicación del ejemplo 6.7: reconocimiento de rostros usando la biblioteca Face_Recognition y una cámara Web para introducir la imagen de prueba
- Reconocimiento de rostros con la librería Face_Recognition y cargando la imagen de prueba desde un archivo
- Explicación del ejemplo 6.8: reconocimiento de rostros con la librería Face_Recognition y cargando la imagen de prueba desde un archivo
- Reconocimiento de rostros con OpenCV
- Explicación del ejemplo 6.9: reconocimiento de rostros usando la biblioteca Opencv, el detector harrcascade y un reconocedor previamente entrenado
- DETECCIÓN DE EDAD, GENERO Y EMOCIONES
- DeepFace (verificación de rostros)
- Explicación del ejemplo 6.10: verificación de dos imágenes para comprobar si son o no la misma persona
- DeepFace (Análisis de rostros)
- Explicación del ejemplo 6.11: análisis del rostro en una imagen: Predicción de edad, género, raza y emociones
- APLICACIONES WEB DE DETECCIÓN DE ROSTROS
- Explicación del ejemplo 6.12: aplicación Web para detección de rostros usando la biblioteca Streamlit
- RESUMEN
- PREGUNTAS DE REVISIÓN DEL CAPÍTULO
- CAPÍTULO 7. PROCESAMIENTO DE LENGUAJE NATURAL
- INTRODUCCIÓN
- Kit de herramientas de lenguaje natural (Toolkit)
- SpaCy
- Gensim
- TextBlob
- RESUMEN DE TEXTO
- Explicación del ejemplo 7.1: identificando oraciones, palabras clave (Tokens) y lemas en un texto a través de la biblioteca Spacy
- Resumen de texto con base en la fuerza de las oraciones
- Explicación del Ejemplo 7.2: resumen de texto con base en la fuerza de las oraciones
- Resumen de texto usando la biblioteca Gensim
- Explicación del Ejemplo 7.3: resumen de texto usando la biblioteca Gensim
- Resumen de texto de un artículo de una página Web de Wikipedia usando la biblioteca Gensim
- Explicación del ejemplo 7.4: resumen de un artículo contenido en una página Web de Wikipedia usando la biblioteca Gensim
- USO DE LA BIBLIOTECA TEXTBLOB PARA ANÁLISIS DE TEXTOS Y DE SENTIMIENTOS
- Explicación del ejemplo 7.5: uso de la biblioteca TextBlob para análisis de textos y de sentimientos
- ANÁLISIS DE SENTIMIENTO DE TEXTO
- Explicación del ejemplo 7.6: análisis de sentimiento de texto con la biblioteca NLTK
- CONVERSIÓN DE TEXTO A VOZ
- Explicación del ejemplo 7.7: conversión de texto a voz usando la biblioteca pyttsx3
- Conversión de texto a voz usando un archivo de texto plano y la biblioteca pyttsx3
- Explicación del ejemplo 7.8: conversión de texto a voz usando la biblioteca pyttsx3 y un archivo de texto plano
- CONVERSIÓN DE VOZ A TEXTO
- Explicación del ejemplo 7.9: conversión de voz a texto usando un archivo de audio wav y con la biblioteca SpeechRecognition
- TRADUCCIÓN AUTOMÁTICA
- Explicación del ejemplo 7.10: traducción de textos usando el traductor Google Translate
- CÓDIGO QR
- Explicación del ejemplo 7.11: generación de código QR dada una dirección electrónica
- ARCHIVOS PDF Y DOCX
- Explicación del ejemplo 7.12: conversión de archivos pdf a docx mediante la biblioteca pdf2docx
- CHATBOTS Y RESPUESTA A PREGUNTAS
- ChatterBot
- Explicación del ejemplo 7.13: demostración básica de Chatterbot usando las bibliotecas Spacy y Chatterbot
- Transformers
- Explicación del ejemplo 7.14: análisis de sentimientos con la biblioteca Transformers
- RESUMEN DEL CAPÍTULO
- PREGUNTAS DE REVISIÓN DEL CAPÍTULO
- CAPÍTULO 8. ANÁLISIS DE DATOS
- INTRODUCCIÓN
- REGRESIÓN
- Regresión lineal
- Regresión de vectores de soporte
- Regresión de mínimos cuadrados parciales
- ANÁLISIS DE SERIES TEMPORALES
- Datos de precios de acciones
- Predicción del precio de las acciones utilizando el modelo de memoria a corto plazo (LSTM) en Python
- Análisis de tendencia estacional
- VISUALIZACIÓN Y ANÁLISIS DE DATOS DE COVID-19
- KERASCLASSIFIER Y KERASREGRESSOR
- Clasificador de Keras
- KerasRegresor
- BASES DE DATOS SQL Y NOSQL
- RESUMEN
- PREGUNTAS DE REVISIÓN DEL CAPÍTULO
- MATERIAL ADICIONAL
Text
Audio
Adobe DRM
Login to your account