Compartir
Sistemas de aprendizaje automático
Varios Autores (Autor)
·
Ediciones de la U
· Tapa Blanda
Sistemas de aprendizaje automático - Varios autores
Ingenierías
Elige la lista en la que quieres agregar tu producto o crea una nueva lista
✓ Producto agregado correctamente a la lista de deseos.
Ir a Mis Listas
Origen: Colombia
(Costos de importación incluídos en el precio)
Se enviará desde nuestra bodega entre el
Viernes 31 de Mayo y el
Jueves 06 de Junio.
Lo recibirás en cualquier lugar de Internacional entre 1 y 3 días hábiles luego del envío.
Reseña del libro "Sistemas de aprendizaje automático"
Autores
Introducción al libro
Capítulo 1. Introducción
1.1 CONCEPTOS BÁSICOS
1.1.1 Ciencia de datos
1.1.2 Inteligencia artificial
1.1.3 Big data
1.1.4 Minería de datos
1.1.5 Algoritmos y modelos
1.1.6 Parámetros e hiperparámetros
1.1.7 Aprendizaje máquina o automático
1.1.8 Aprendizaje profundo
1.1.9 Infraestructura y aplicaciones. Servicios en la nube
1.2 ANÁLISIS DE DATOS. ETAPAS
1.2.1 Datos
1.2.2 Preprocesado
1.2.3 Análisis exploratorio de datos
1.2.4 Modelado
1.2.5 Análisis de los errores
1.2.6 Puesta en producción
1.2.7 Metodología CRISP-DM
1.3 ALGORITMOS DE APRENDIZAJE MÁQUINA
1.3.1 Aprendizaje supervisado
1.3.2 Aprendizaje no supervisado
1.3.3 Aprendizaje autosupervisado
1.3.4 Aprendizaje reforzado
1.3.5 Aprendizaje semisupervisado
1.4 PASADO, PRESENTE Y FUTURO
Capítulo 2. Aprendizaje no supervisado
2.1 INTRODUCCIÓN
2.2 CLUSTERING
2.2.1 Algoritmos basados en prototipos
2.2.2 Algoritmos jerárquicos
2.2.3 Algoritmos basados en densidad. DBSCAN
2.2.4 Evaluación de la calidad del agrupamiento
2.3 REDUCCIÓN DE LA DIMENSIONALIDAD
2.3.1 Análisis de componentes principales (PCA)
2.3.2 t-SNE
2.3.3 Mapas autoorganizados
2.3.4 Autoencoders
2.4 REGLAS DE ASOCIACIÓN
2.5 ESTIMACIÓN DE DENSIDADES DE PROBABILIDAD
2.6 DETECCIÓN DE ANOMALÍAS
2.6.1 Introducción
2.6.2 Algoritmos de detección de anomalías no supervisados
2.7 LABORATORIO
2.7.1 Algoritmos de clustering
2.7.2 Manifolds
2.7.3 Reglas de asociación
2.7.4 Algoritmos de estimación de probabilidad
2.7.5 Detección de anomalías
Capítulo 3. Aprendizaje supervisado
3.1 DEFINICIÓN
3.1.1 Ejemplo de problema de clasificación
3.2 PRINCIPALES RETOS
3.2.1 Cantidad insuficiente de datos
3.2.2 Datos no representativos
3.2.3 Sobreajuste
3.3 FUNCIÓN DE COSTE
3.4 MEDIDAS DE RENDIMIENTO
3.4.1 Medidas para problemas de regresión
3.4.2 Medidas de rendimiento para problemas de clasificación
3.5 MODELOS BASICOS
3.5.1 Regresión Lineal
3.5.2 Regresión Polinómica
3.5.3 Modelos lineales regularizados
3.5.4 Regresión Logística
3.5.5 SVM
3.5.6 Árboles de decisión
3.6 COMBINACIÓN DE MODELOS
3.6.1 Random forest
3.7 LABORATORIO
3.7.1 Regresión lineal
3.7.2 Regresión Polinómica
3.7.3 Modelos lineales regularizados
3.7.4 Clasificación
3.7.5 Búsqueda de hiperparámetros con cross validation
3.7.6 Conjuntos desbalanceados
Capítulo 4. Aprendizaje profundo
4.1 INTRODUCCIÓN
4.2 REDES NEURONALES DENSAS (DNNS)
4.2.1 Modelo de neurona
4.2.2 Arquitectura de una red densa
4.2.3 Configuración de una capa densa
4.2.4 Entrenamiento de una red neuronal
4.2.5 Aspectos prácticos a tener en cuenta
4.3 REDES CONVOLUCIONALES PROFUNDAS (CNNS)
4.3.1 Arquitectura de una CNN
4.3.2 Entrenamiento de una CNN: aspectos avanzados
4.3.3 Otras aplicaciones de las CNNs
4.4 REDES RECURRENTES PROFUNDAS (DRNNS)
4.4.1 Introducción a las redes recurrentes
4.4.2 Arquitecturas básicas
4.4.3 Funcionamiento de una capa recurrente
4.4.4 Predicción de series temporales
4.4.5 Clasificación de texto
4.4.6 Laboratorio
Referencias
Sitios web recomendados
Material adicional
- 0% (0)
- 0% (0)
- 0% (0)
- 0% (0)
- 0% (0)
Todos los libros de nuestro catálogo son Originales.
El libro está escrito en Español.
La encuadernación de esta edición es Tapa Blanda.
✓ Producto agregado correctamente al carro, Ir a Pagar.