• Nuevo

Aprendizaje automático. Introducción al aprendizaje profundo

58,00 PEN
Impuestos incluidos

Con el apoyo informático de la plataforma R, Carlos Véliz, autor de este texto, presenta un análisis de los algoritmos tradicionales y una introducción al aprendizaje profundo.

Impresión bajo demanda (Recíbelo en 15 días)

Ir a ebook

ISBN: 9786123175887

Edición: 1

Año: 2020

Páginas: 344

Tamaño: 17 x 24 cm

Cantidad
Disponible

Desde la aparición de las computadoras, sus primeras tareas han sido resolver problemas difíciles para el ser humano y para ello se las ha programado con reglas formales y que funcionan para cada problema específico. El aprendizaje automático ha roto, en parte, este paradigma y ha permitido que muchos de estos problemas se solucionen sin que las máquinas sean programadas con algoritmos particulares, sino de manera general, a partir de la experiencia.

Los algoritmos emulan la función del cerebro humano y se basan en el modelo de las redes neuronales. El aprendizaje profundo (deep learning) proporciona algoritmos de alto nivel que permiten tales caracterizaciones de manera automática y jerárquica. Este libro se centra en los dos modelos del aprendizaje profundo que han tenido gran impacto en la revolución de la inteligencia artificial: las redes neuronales convolucionales y las redes neuronales recurrentes, cuyas aplicaciones serán comentadas y explicadas con ejemplos prácticos que incluyen su aplicación al campo médico, específicamente al estudio de la COVID-19.

Carlos Véliz Capuñay es magíster en Matemáticas, doctor en Ciencias y doctor en Ingeniería Industrial. Ha ejercido la docencia en la Universidad Nacional Mayor de San Marcos y actualmente es profesor prin - cipal del Departamento Académico de Ciencias de la Pontificia Universidad Católica del Perú. Es autor de varios libros de matemáticas y estadística para el pre - grado y posgrado, y su interés se centra en el análisis de datos. Asimismo, desarrolla diversas asesorías para entidades públicas y privadas en paralelo a su labor en la academia

Prólogo

1. Introducción 

1.1. El aprendizaje automático 

1.2. La minería de datos 

1.3. Big Data 

1.4. Aprendizaje profundo 

2. Preparación y análisis exploratorio de los datos 

2.1. Variables y datos 

2.2. Análisis exploratorio univariado de los datos 

2.2.1. Medidas de localización

2.2.2. Medidas de dispersión 

2.2.3. Medidas de localización relativas. Los percentiles 

2.2.4. El gráfico de caja 

2.2.5. Medidas de heterogeneidad para variables categóricas

2.2.6. Medidas de forma de la distribución 

2.3. Análisis exploratorio multivariado de los datos 

2.3.1. Tablas de contingencia de doble entrada 

2.3.2. Diagramas de dispersión 

2.3.3. Matriz de gráficos de dispersión 

2.3.4. La covarianza y la correlación 

2.4. Preparación de los datos 

2.4.1. Datos atípicos. Tratamiento 

2.4.2. Datos faltantes. Tratamiento

2.4.3. Transformaciones de los datos 

3. Modelos y fundamentos del aprendizaje automático 

3.1. Modelos

3.1.1. Modelos supervisados y no supervisados 

3.1.2. Modelos supervisados de clasificación y regresión

3.1.3. Modelos probabilísticos

3.1.4. Modelos paramétricos y no paramétricos 

3.2. Modelos básicos supervisados

3.2.1. El modelo de la regla ingenua 

3.2.2. El modelo de los k vecinos más cercanos 

3.2.3. El clasificador ingenuo de Bayes 

3.3. Modelos básicos no supervisados 

3.3.1. El análisis de componentes principales  

3.3.2. Análisis de conglomerados 

3.3.3. Índice de similaridad 

3.3.4. Distancia entre dos vectores A y B 

3.3.5. Técnicas no jerárquicas

3.3.6. Reglas de asociación 

3.4. Evaluación de modelos

3.4.1. Evaluación de la capacidad predictiva de los modelos de regresión 

3.4.2. Compromiso sesgo - varianza  

3.4.3. Técnicas de evaluación por remuestreo 

3.4.4. Evaluación de la capacidad predictiva de un modelo de clasificación 

3.4.5. Hiperparámetros  

4. El modelo de regresión lineal 

4.1. El modelo de regresión lineal simple 

4.1.1. Estimación de la recta de regresión 

4.1.2. Residuales  

4.1.3. Observaciones  

4.1.4. Método del gradiente descendente para estimar los coeficientes 

4.2. El modelo de regresión lineal múltiple  

4.2.1. Adecuación del modelo a los datos disponibles

4.2.2. Significancia global e individual de los coeficientes del modelo

4.2.3. Predicción

4.3. Regresión Ridge y regresión Lasso

4.4. Modelo de regresión polinomial

4.5. Modelos de regresión con variables independientes cualitativas 

5. El modelo de regresión logística 

5.1. El modelo de regresión logística binaria 

5.2. Estimación de los parámetros  

5.3. Interpretación de los resultados

5.4. Aprendizaje de los coeficientes en el modelo de regresión logística binaria usando el gradiente descendente  

5.5. Evaluación del modelo de regresión logística 

5.5.1. Evaluación de la capacidad predictiva del modelo  

5.5.2. Evaluación de la capacidad explicativa del modelo

5.6. Modelo de regresión logística multinomial  

6. Árboles de decisión 

6.1. Árboles de clasificación 

6.2. Árboles de regresión 

6.3. Regresión lineal y árboles de regresión

6.4. Métodos agregados 

6.4.1. El método bagging 

6.4.2. El método bosque aleatorio 

6.4.3. El método AdaBoost 

6.5. Clases no balanceadas 

6.6. Ventajas de los árboles de decisión 

6.7. Desventajas de los árboles de decisión 

7. Máquinas de vectores de soporte (SVM)

7.1. SVM para categorías perfectamente separables linealmente 

7.2. SVM para clases de margen blando

7.3. SVM para conjuntos no separables linealmente 

8. Redes neuronales 

8.1. El perceptrón 

8.1.1. Aprendizaje o entrenamiento del perceptrón 

8.2. El perceptrón multicapa 

8.3. Arquitectura de una red neuronal multicapa 

8.4. El entrenamiento de una red multicapa. Algoritmo de retropropagación 

8.5. La librería Keras y las redes neuronales 

9. Aprendizaje profundo. Redes neuronales convolucionales 

9.1. Aprendizaje profundo

9.2. Redes neuronales convolucionales 

9.3. Sistemas de recuperación de imágenes

9.4. Sistemas de recomendación a través de imágenes 

10. Aprendizaje profundo. Redes neuronales recurrentes 

10.1. Redes neuronales recurrentes

10.2. Redes neuronales recurrentes LSTM

Bibliografía 

Índice alfabético

También podría interesarle