Deep Learning: Teoría y Aplicaciones
Lopez Sotelo, Jesus Alfonso
Deep Learning es, en gran medida, el causante de la revolución actual en el campo de la inteligencia artificial. Podría parecer una tecnología nueva, sin embargo, es esencialmente la evolución de las redes neuronales artificiales, que tienen más de 60 años en el área de la inteligencia artificial. Si desea conocer el desarrollo de Deep Learning desde su origen, este es el libr...
Sinopsis
Deep Learning es, en gran medida, el causante de la revolución actual en el campo de la inteligencia artificial. Podría parecer una tecnología nueva, sin embargo, es esencialmente la evolución de las redes neuronales artificiales, que tienen más de 60 años en el área de la inteligencia artificial. Si desea conocer el desarrollo de Deep Learning desde su origen, este es el libro indicado. Deep Learning, teorías y aplicaciones se ha concebido para dar una introducción general, incluyendo un barrido histórico por los progresos que dieron origen a esta tecnología. Parte de las redes neuronales clásicas como las monocapa y sigue por las superficiales hasta llegar a las profundas, como las redes neuronales convolucionales, ampliamente usadas en aplicaciones de procesamiento de imágenes. Además, este libro hace un balance entre el contenido teórico y práctico. La parte conceptual le será útil para aproximarse a los conceptos teóricos básicos más relevantes. La parte experimental le servirá como apoyo a una aproximación práctica a esta tecnología, y lo logrará por medio de ejemplos resueltos sobre problemas reales en Deep Learning. Asimismo, 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, por lo que gracias a esta lectura estará al día de las últimas tendencias tecnológicas.
Índice
1. Conceptos sobre redes neuronales artificiales y aprendizaje profundo Introducción 1 Objetivos del capítulo 1 Inteligencia artificial, redes neuronales artificiales y Deep Learning 1 Breve reseña histórica 3 Red neuronal artificial 12 Arquitecturas de redes neuronales artificiales 13 El aprendizaje en las redes neuronales artificiales 16 Ejemplo de procesamiento de la información en una red neuronal 20 Aplicaciones 22 2. Los principios del aprendizaje profundo: redes monocapa Introducción 27 Red Neuronal Perceptron 28 Red Neuronal Adaline (ADAptative LINear Element) 34 Limitaciones del Perceptron 37 Proyectos de aplicación 39 Ejercicios propuestos 54 3. Superando las dificultades con la propagación inversa en las redes Introducción 59 Arquitectura general de un Perceptron multicapa superficial 60 Entrenamiento de un MLP superficial 61 Variaciones del gradiente descendente 67 Algoritmos de segundo orden para redes neuronales MLP 70 Consideraciones de diseño 77 Proyectos de aplicación 84 Ejercicios propuestos 106 4. Aprendizaje profundo (Deep Learning) o las redes de muchas capas Introducción 117 Problemas para entrenar redes neuronales profundas 118 Reconocimiento de patrones convencional vs Deep Learning 125 Algoritmos de entrenamiento para redes profundas 126 Arquitecturas de Deep Learning 130 Proyectos de aplicación 139 Ejercicios propuestos 159 5. Redes convolucionales Introducción 163 Breve introducción al procesamiento de imágenes 163 ¿Cómo ve un computador? 164 Inspiración biológica de una CNN 167 Funcionamiento de una red convolucional 167 Arquitectura general de una CNN 177 Algunas arquitecturas de redes convolucionales representativas 179 Proyectos de aplicación 184 Ejercicios propuestos 213 Bibliografía 217
Comentarios
Sé el primero en comentar este libroTambién te puede interesar
