Producto añadido correctamente al carrito

Cantidad
Total
Continuar comprando

Realizar pago

Ingeniería

Suscribete a nuestro newsletter

Nuevo ¡Precio rebajado! Aprendizaje profundo Ver más grande

Aprendizaje profundo

Nuevo

Autor: Gonzalo Pajares Martinsanz, Pedro Javier Herrera Caro, Eva Besada Portas
Editorial: Alphaeditorial
Edición: Primera, 2021
Formato: Libro
Rústica, 17 x 23
539 páginas
Peso: 0,787 Kg
ISBN: 9789587786989

Más detalles


COP$ 81.000

-10%

COP$ 90.000

Ficha técnica

ISBN9789587786989
EdiciónPrimera
AutoresGonzalo Pajares Martinsanz, Pedro Javier Herrera Caro, Eva Besada Portas
EditorialAlphaeditorial
FormatoImpreso
Peso0.787
Páginas539
Dimensiones17 x 23
Año2021

Más

Desarrolladores, ingenieros, investigadores o estudiantes universitarios encontrarán en el libro una referencia de base de suma utilidad para abordar los aspectos conceptuales y de implementación en el desarrollo de aplicaciones basadas en Aprendizaje Profundo.

Reseña.

Este libro expone aspectos fundamentales sobre Aprendizaje Profundo, un área en clara expansión conceptual y de aplicación tecnológica en el mundo de la Inteligencia Artificial en general y de los Sistemas Inteligentes, en particular, donde la Robótica, las Ciudades Inteligentes, los Vehículos Autónomos o Internet de las Cosas son claros exponentes receptores de su aplicación que, sin duda, contribuirán enormemente a los avances de futuro.

El texto conjuga rigurosidad con claridad y exposición didáctica, útil tanto para estudiantes e investigadores, en sus distintos niveles, como para ingenieros que ejercen su actividad profesional en diferentes ámbitos, proporcionando la base suficiente para afrontar los retos que puedan surgir en cada momento y donde este tipo de aprendizaje ofrezca posibles soluciones.

 

Contenido.

Prefacio

 

Capítulo 1. Introducción

1.1. Preliminares

1.2. Breve revisión histórica

1.3. Potenciales destinatarios del libro

1.4. Herramientas y conjuntos de datos

1.5. Organización del libro

 

Capítulo 2. Computación numérica

2.1. Introducción

2.2. Tensores

2.3. Desbordamiento y subdesbordamiento

2.4. Métodos de optimización

2.5. Funciones de activación no lineales y unidades lineales

2.6. Funciones de pérdida

 

Capítulo 3. Redes neuronales profundas

3.1. Introducción

3.2. Fundamentos generales

3.3. El perceptrón

3.4. La red de retropropagación

3.5. Redes de creencia/bayesianas profundas

 

Capítulo 4. Operaciones redes neuronales convolucionales I

4.1. Introducción

4.2. Operación de convolución

4.3. Agrupamiento (Pooling)

4.4. Convolución aritmética transpuesta

 

Capítulo 5. Operaciones redes neuronales convolucionales II

5.1. Introducción

5.2. Convoluciones dilatadas

5.3. Convolución no lineal

5.4. Convoluciones 1D, 2D, 3D

5.5. Sobreajuste, weight deca y dropout

5.6. Normalización

5.7. Softmax

 

Capítulo 6. Motivación de las redes neuronales convolucionales

6.1. Introducción

6.2. Compartición de parámetros

6.3. Base neurocientífica de las CNN

 

Capítulo 7. Arquitecturas de las redes neuronales convolucionales I

7.1. Introducción

7.2. Organización de capas en la CNN

7.3. Capas Inception

7.4. ALEXNET

7.5. VGGNET

7.6. LENET

7.7. RESNET

 

Capítulo 8. Arquitectura de las redes neuronales convolucionales II

8.1. Introducción

8.2. Googlenet

8.3. Otras redes con módulos inception

8.4. Arquitectura xception

8.5. Squeezenet

8.6. Módulos de convoluciones dilatadas paralelas

8.7. Redes densas

8.8. Redes dentro de redes

 

Capítulo 9. Arquitecturas de las redes neuronales convolucionales III

9.1. Introducción

9.2. Autocodificadores

9.3. Redes siamesas

9.4. Redes neuronales de cápsulas (CAPSNET)

 

Capítulo 10 .Segmentación semántica de imágenes con CNN

10.1. Introducción

10.2. Codificador-Decodificador (Autoencoder)

10.3. Red convolucional total (FCN)

10.4. Parsenet

10.5. U-NET

10.6. Red piramidal de características

10.7. PSPNET

10.8. DEEPLAB

10.9. ENCNET

10.10. Medidas de desempeño

 

Capítulo 11. Redes convolucionales para análisis de vídeo

11.1. Introducción

11.2. Modelos CNN con LSTM

11.3. Redes de dos flujos

11.4. Redes convolucionales 2D, 3D y mixtas

11.5. Redes de segmentos temporales

 

Capítulo 12. Detección de objetos en imágenes I

12.1. Introducción

12.2. Coeficientes de regresión del rectángulo

12.3. Solapamiento de regiones y precisión

12.4. Anchor Boxes

12.5. Detección de objetos multiescala

12.6. R-CNN

12.7. Fast R-CNN

12.8. Faster R-CNN

12.9. Mask R-CNN

12.10. SSD: Single shot multibox detector

 

Capítulo 13. Detección de objetos en imágenes II

13.1. Introducción

13.2. Yolo

13.3. PANET

13.4. Cornernet/centernet

 

Capítulo 14. Detección de objetos en imágenes II

14.1. Introducción

14.2. Overfeat

14.3. Retinanet

14.4. R-FCN

14.5. FCOS

14.6. Efficientdet

14.7. Transformador espacial

 

Capítulo 15. Redes para dispositivos móviles

15.1. Introducción

15.2. Mobilenet (V1, V2, V3)

15.3. Shufflenet

 

Capítulo 16. Plataformas para espacios de búsqueda en clasificación de imágenes

16.1. Introducción

16.2. NAS

16.3. NASNET

16.4. NETADAPT

 

Capítulo 17. Algoritmo deepderam y redes generativas antagónicas

17.1. Introducción

17.2. Deepdream

17.3. Redes generativas antagónicas

 

Capítulo 18. Redes neuronales recurrentes, recursivas y LSTM

18.1. Introducción

18.2. Consideraciones preliminares

18.3. Redes neuronales recurrentes

18.4. Redes neuronales recursivas

18.5. Long short- term memory (LSTM)

18.6. Gated recurrent units (GRU)

18.7. Encoder-decoder utilizando LSTM

 

Anexo: retropropagación

A.1. Esquema del modelo de entrenamiento

A.2. Regla delta

A.3. Mecanismo de retropropagación

A.4. Entropía cruzada y su derivada