Producto añadido correctamente al carrito

Cantidad
Total
Continuar comprando

Realizar pago

Ingeniería

Suscribete a nuestro newsletter

¡Precio rebajado! Deep Learning teoría y aplicaciones Ver más grande

Deep Learning teoría y aplicaciones

Nuevo

Autor: Jesús Alfonso López Sotelo
Editorial: Alphaeditorial
Edición: Primera, 2021
Formato: Libro
Rústica, 17x24
219 páginas
Peso: 0,371 Kg
ISBN: 9789587786866

Más detalles


COP$ 54.900

-10%

COP$ 61.000

Ficha técnica

ISBN9789587786866
EdiciónPrimera
AutoresJesús Alfonso López Sotelo
EditorialAlphaeditorial
FormatoImpreso
Peso371 gramos
Páginas219
Dimensiones17x24
Año2021

Más

Introducción general incluyendo un barrido histórico por los desarrollos que dieron origen a esta tecnología

Reseña.

Deep Learning es en gran medida el causante de la revolución que en la actualidad se tiene con la inteligencia artificial, y pareciera ser una tecnología nueva, sin embargo, esencialmente es la evolución de las redes neuronales artificiales, que tienen más de 60 años en el área de la inteligencia artificial.

Deep Learning, teorías y aplicaciones se ha concebido para dar una introducción general incluyendo un barrido histórico por los desarrollos que dieron origen a esta tecnología. Se parte de redes neuronales clásicas como la monocapa, siguiendo por las superficiales hasta llegar a las profundas como las redes neuronales convolucionales, ampliamente usadas en aplicaciones de procesamiento de imágenes.

Este libro busca hacer un balance entre el contenido teórico y práctico. La parte conceptual, le será útil a lectores que deseen aproximarse a los conceptos teóricos básicos más relevantes. La parte experimental, servirá como apoyo a una aproximación práctica a esta tecnología; lo anterior se logra por medio de ejemplos resueltos sobre problemas reales en Deep Learning. Para el componente práctico, se utilizan herramientas de amplio uso en la comunidad académica como el sistema de prototipado electrónico rápido Arduino y el software de simulación Matlab.

Contenido.

Lista de figuras

Lista de tablas

Lista de variables

Introducción

 

1. Conceptos sobre redes neuronales artificiales y aprendizaje profundo

Introducción

Objetivos del capítulo

Inteligencia artificial, redes neuronales artificiales y Deep Learning

Breve reseña histórica

Red neuronal artificial

Arquitecturas de redes neuronales artificiales

El aprendizaje en las redes neuronales artificiales

Ejemplo de procesamiento de la información en una red neuronal

Aplicaciones

 

2. Los principios del aprendizaje profundo: redes monocapa

Introducción

Red neuronal Perceptron

Red neuronal Adaline (ADAptative LInear Element)

Limitaciones del Perceptron

Proyectos de aplicación

Ejercicios propuestos

 

3. Superando las dificultades con la propagación inversa en las redes

Introducción

Arquitectura general de un Perceptron multicapa superficial

Entrenamiento de un MLP superficial

Variaciones del gradiente descendente

Algoritmos de segundo orden para redes neuronales MLP

Consideraciones de diseño

Proyectos de aplicación

Ejercicios propuestos

 

4. Aprendizaje profundo (Deep Learning) o las redes de muchas capas

Introducción

Problemas para entrenar redes neuronales  profundas

Reconocimiento de patrones convencionales vs Deep Learning

Algoritmos de entrenamiento para redes profundas

Arquitecturas de Deep Learning

Proyectos de aplicación

Ejercicios propuestos

 

5. Redes convolucionales

Introducción

Breve introducción al procesamiento de imágenes

¿Cómo ve un computador?

Inspiración biológica de una CNN

Funcionamiento de una red convolucional

Arquitectura general de una CNN

Algunas arquitecturas de redes convolucionales representativas

Proyectos de aplicación

Ejercicios propuestos

 

Bibliografía