MACHINE LEARNING Y DEEP LEARNING

MACHINE LEARNING Y DEEP LEARNING

USANDO PYTHON, SCIKIT Y KERAS

BOBADILLA, JESÚS

$ 49,000.00

U$ 11,52 11,27 €

Disponible
Editorial:
EDICIONES DE LA U
Año de edición:
2021
Materia
Computacion
ISBN:
978-958-792-145-8
EAN:
9789587921458
Páginas:
294
Encuadernación:
Tapa blanda
$ 49,000.00

U$ 11,52 11,27 €

Disponible
Añadir a favoritos

ACERCA DEL AUTOR
CAPÍTULO 1. INTRODUCCIÓN
1.1 TIPOS DE MACHINE LEARNING
1.2 TRATANDO CON DATOS
1.3 MEDICIÓN DE LA CALIDAD
1.4 MEJORA DEL MODELO
CAPÍTULO 2. DATASETS
2.1 DATASET DE DIABETES (REGRESIÓN)
2.2 DATASET BOSTON (REGRESIÓN)
2.3 DATASET DE LIRIOS (CLASIFICACIÓN)
2.4 DATASET DE CÁNCER DE PECHO (CLASIFICACIÓN)
2.5 DATASET DE VINOS (CLASIFICACIÓN)
2.6 DATASET GENERADO MAKE_BLOBS (CLASIFICACIÓN)
2.7 DATASET GENERADO MAKE_REGRESSION (REGRESSION)
2.8 DATASET GENERADO MAKE_MOONS (CLASIFICACIÓN Y
CLUSTERING)
2.9 DATASET MNIST (CLASIFICACIÓN)
2.10 CARAS DE OLIVETTI (CLASIFICACIÓN)
2.10.1 Caras etiquetadas “in the wild”: LFW (clasificación)
CAPÍTULO 3. REGRESIÓN
3.1 MODELOS DE REGRESIÓN
3.1.1 Regresión lineal (desde cero)
3.1.2 Regresión lineal usando SciKit
3.1.3 Regresión Polinómica (desde cero)
3.1.4 Regresión polinómial desde cero (enfoque de gradiente descendente
3.1.5 Regresión de los K vecinos más cercanos (K-Nearest Neighbors)
o KNN) desde cero
3.1.6 Regresión por K vecinos más cercanos (KNN) usando librerías
SciKit
3.1.7 Regresión Kernel Gaussiana (Gaussian Kernel Regression)
desde cero
3.1.8 Regresión Kernel Gaussiana usando librerías SciKit
3.1.9 Regresión Ridge (forma cerrada)
3.1.10 Ridge Regression usando librerías de SciKit
3.1.11 Regresión Lasso usando librerías de SciKit
3.1.12 Regresión Elastic Net usando librerías de SciKit
3.2 ANÁLISIS DE CALIDAD EN LA REGRESIÓN LINEAL
CAPÍTULO 4. CLASIFICACIÓN
4.1 MODELOS DE CLASIFICACIÓN
4.1.1 Regresión Logística (Logistic Regression) desde cero
4.1.2 Regresión Logística (clasificación) usando librerías SciKit
4.1.3 Clasificación K vecinos más cercanos (K Nearest Neighbours)
4.1.4 Support Vector Machines (SVM) using SciKit libraries
4.1.5 Árboles de Decisión usando librerías de SciKit
4.1.6 Random Forest usando librerías de SciKit
4.2 ANÁLISIS DE CALIDAD DE LOS MÉTODOS DE CLASIFICACIÓN
CAPÍTULO 5. CLUSTERING
5.1 ALGORITMOS DE CLUSTERING
5.1.1 K-Means (K-medias) desde cero
5.1.2 K means usando las librerías de SciKit
5.1.3 DBSCAN basado en densidad, desde cero
5.1.4 DBSCAN basado en densidad, usando SCiKit
5.1.5 Clustering Acumulativo (Agglomerative clustering), usando SciKit
5.2 MEDIDA DE CALIDAD DEL CLUSTERING
CAPÍTULO 6. REDUCCIÓN DE DIMENSIONES
6.1 FACTORIZACIÓN MATRICIAL USANDO SCIKIT
6.2 ANÁLISIS DE COMPONENTES PRINCIPALES (PCA),
USANDO SCIKIT
CAPÍTULO 7. REDES NEURONALES
7.1 LA NEURONA BIOLÓGICA
7.2 LA NEURONA ARTIFICIAL
7.3 APRENDIZAJE HEBBIANO
7.4 EL PERCEPTRÓN
7.5 REDES MULTICAPA Y EL ALGORITMO BACK PROPAGATION
7.6 DEMOSTRACIÓN DEL ALGORITMO BACK PROPAGATION
CAPÍTULO 8. CLASIFICACIÓN USANDO REDES NEURONALES
8.1 CLASIFICACIÓN DEL DATASET MNIST
8.2 CLASIFICACIÓN DEL DATASET FASHION MNIST
8.3 CLASIFICACIÓN DEL DATASET CIFAR 100
CAPÍTULO 9. REDES CONVOLUCIONALES.
CONCEPTOS BÁSICOS
CAPÍTULO 10. CLASIFICACIÓN USANDO REDES CONVOLUCIONALES
EN DATASETS SENCILLOS
10.1 CLASIFICACIÓN DEL DATASET MNIST
10.2 CLASIFICACIÓN DEL DATASET CIFAR 100
10.3 CLASIFICACIÓN DEL DATASET FASHION MNIST
CAPÍTULO 11. GENERADORES DE DATOS
11.1 CLASIFICACIÓN USANDO EL DATASET: DOGS AND CATS
11.2 DATA GENERATORS
CAPÍTULO 12. ENRIQUECIMIENTO DE DATOS (DATA AUGMENTATION)
12.1 ENRIQUECIMIENTO DE DATOS. ENFOQUE I
12.2 ENRIQUECIMIENTO DE DATOS. ENFOQUE II
CAPÍTULO 13. VISUALIZACIÓN DE LAS CAPAS OCULTAS
13.1 MAPAS DE ACTIVACIÓN EN EL DATASET ‘DOGS AND CATS’
13.2 MAPAS DE ACTIVACIÓN EN EL DATASET MNIST
CAPÍTULO 14. APRENDIZAJE POR TRANSFERENCIA (TRANSFER
LEARNING)
14.1 REUTILIZACIÓN DEL MODELO VGG16
14.2 REFINADO DEL MODELO VGG16
14.3 TRANSFER LEARNING EN DOS ETAPAS
CAPÍTULO 15. AUTOENCODERS
15.1 AUTOENCODER DE UNA SOLA CAPA
15.2 AUTOENCODER EN VARIAS CAPAS
15.3 AUTOENCODERS CONVOLUCIONALES
15.4 VISUALIZACIÓN DEL ESPACIO MULTIDIMENSIONAL
CAPÍTULO 16. APRENDIZAJE GENERATIVO
MATERIAL ADICIONAL

El objetivo del machine learning es que los sistemas informáticos sean capaces de aprender a partir de los datos, emulando de esta manera las capacidades humanas. El Aprendizaje Profundo (Deep Learning) es el área más prometedora del machine learning. Los modernos sistemas de reconocimiento facial, conducción automática, chatbots, comportamiento de los videojuegos, etc. se llevan a cabo haciendo uso de técnicas de deep learning.
En este libro se explican los conceptos más relevantes tanto de machine learning como de deep learning. Ambos bloques se pueden abordar de manera independiente y en cualquier orden. Se aportan multitud de ejemplos programados en Python y explicados desde cero, con gráficos representativos. También se hace uso de las bibliotecas Scikit y Keras. Cualquier lector con conocimientos de programación podrá entender los conceptos y los ejemplos que se exponen en el libro:

Regresión
Clasificación
Clustering
Reducción de Dimensionalidad
Redes Neuronales
Redes Convolucionales (Convolutional Neural Networks)
Enriquecimiento de datos (Data Augmentation)
Generadores de Datos
Aprendizaje por Transferencia (Transfer Learning)
Autoencoders
Visualización de capas ocultas
Aprendizaje Generativo (Generative Learning)

Artículos relacionados

  • LÓGICA DE PROGRAMACIÓN. SOLUCIONARIO EN PSEUDOCÓDIGO – EJERCICIOS RESUELTOS
    TREJOS BURITICÁ, OMAR IVÁN
    En este libro usted encontrará soluciones posibles escritas en seudocódigo, según los estándares utilizados en mi libro LÓGICA DE PROGRAMACIÓN, y de forma que se pueda fomentar el desarrollo de la lógica que se utiliza en la programación de computadores desde una perspectiva general sin estar atada a ningún tipo de lenguaje de programación específico.La utilización del seudocód...
    Disponible

    $ 42,000.00

    U$ 9,87 9,66 €

  • ESTRUCTURAS DE DATOS. FUNDAMENTACIÓN PRÁCTICA
    BAQUERO REY, LUIS EDUARDO / HERNÁNDEZ BEJARANO, MIGUEL
    En las estructuras de datos dinámicas el tamaño y su forma es variable a lo largo de un programa, es decir, la memoria se reserva a tiempo de corrida del programa; este tipo de estructuras está conformada por nodos, los cuales tienen como mínimo dos campos: uno de información (clientes, pasajeros, cuenta bancaria, entre otros) y otro que contiene la referencia del siguiente nod...
    Disponible

    $ 69,000.00

    U$ 16,22 15,87 €

  • APLICACIONES WEB CON PHP
    FLÓREZ FERNÁNDEZ, HÉCTOR / HERNÁNDEZ RODRÍGUEZ, JORGE
    Este libro ofrece al lector una exposición clara y suficiente de los conceptos básicos de PHP mediante el paradigma orientación a objetos así como los conceptos de AJAX mediante la librería jQuery. Esta exposición se realiza con el desarrollo de aplicaciones que combina PHP, HTML, JavaScript mediante jQuery y CSS mediante Bootstrap.Expone con una gran cantidad de ejemplos y dem...
    ¡Última unidad!

    $ 52,000.00

    U$ 12,22 11,96 €

  • TELECOMUNICACIONES DIGITALES
    RAMÍREZ VIÁFARA, JESÚS MAURICIO / ROMO ROMERO, HAROLD ARMANDO / SILVA ZAMBRANO, MARÍA MANUELA
    El objetivo principal de este libro es brindar una visión objetiva y estructurada de los sistemas de telecomunicaciones digitales, con un desarrollo teórico sustentado en los postulados de Shannon, que constituyen los pilares de la teoría de la información. Fue justamente dicha teoría la que cambió definitivamente el significado de información y dio origen a los sistemas de tel...
    ¡Última unidad!

    $ 35,000.00

    U$ 8,23 8,05 €

  • ADMINISTRACIÓN DE SERVICIOS WEB
    PICADO CORAO, FRANCISCO / PÉREZ VANEGAS, MARIANA
    La vida hoy en día no puede concebirse sin el uso del Internet, el mundo simplemente no puede continuar sin el avance de la tecnología y la interconectividad que tanto ha beneficiado a la humanidad, ya no se trata únicamente visitar un sitio web, ahora se trata de socializar, de hacer compras en línea, de evitar filas en los bancos, de ver películas en demanda, eventos en tiemp...
    Disponible

    $ 81,000.00

    U$ 19,04 18,63 €

  • DEEP LEARNING
    LÓPEZ SOTELO, JESÚS ALFONSO
    El aprendizaje profundo o Deep Learning es una evolución de las redes neuronales artificiales (RNA). Las RNA constituyen una de las técnicas más relevantes de la inteligencia artificial que trata de emular la manera como trabajan las neuronas del cerebro. Este enfoque se encuentra dentro de la vertiente denominada conexionista, pues se basa en imitar el funcionamiento cerebral ...
    ¡Última unidad!

    $ 67,000.00

    U$ 15,75 15,41 €