Estamos en el siglo de los datos, nunca se ha tenido la capacidad de generar, almacenar y procesar tal cantidad de datos. Vivimos en un mundo totalmente conectado en tiempo real que impacta en la cantidad de datos que se intercambian por milisegundo. Esta explosión ha conducido a una auténtica revolución con la creación de nuevos perfiles profesionales (científico/ingeniero/analista de datos); la creación de nuevas empresas cuyo proceso productivo depende al 100% de datos, así como cambios de gran calado en la forma de trabajar, relacionarnos y educar. Se suele comparar esta revolución con la Industrial, pero hay una gran diferencia, la rapidez con que sucede todo. Mientras que en la Revolución Industrial tenían que transcurrir varias décadas hasta que un determinado cambio se asentaba; la situación actual es muy diferente, cualquier hecho ahora tiene consecuencias inmediatas lo que supone unos cambios en la sociedad/economía extremadamente convulsos. Y la clave de esta transformación son los datos.
Sistemas de Aprendizaje Automático
Soria Olivas, Emilio; Sánchez, Manuel Antonio; Gamero Cruz, Ruth; Castillo Caballero, Borja; Pedro Cano Michelena
*Este valor puede ser aproximado y podrá variar al momento del pago.
2023 | eBook |
Descripción
Estamos en el siglo de los datos, nunca se ha tenido la capacidad de generar, almacenar y procesar tal cantidad de datos. Vivimos en un mundo totalmente conectado en tiempo real que impacta en la cantidad de datos que se intercambian por milisegundo. Esta explosión ha conducido a una auténtica revolución con la creación de nuevos perfiles profesionales (científico/ingeniero/analista de datos); la creación de nuevas empresas cuyo proceso productivo depende al 100% de datos, así como cambios de gran calado en la forma de trabajar, relacionarnos y educar. Se suele comparar esta revolución con la Industrial, pero hay una gran diferencia, la rapidez con que sucede todo. Mientras que en la Revolución Industrial tenían que transcurrir varias décadas hasta que un determinado cambio se asentaba; la situación actual es muy diferente, cualquier hecho ahora tiene consecuencias inmediatas lo que supone unos cambios en la sociedad/economía extremadamente convulsos. Y la clave de esta transformación son los datos.
Información adicional
Número de edición | |
---|---|
ano | |
Autor | |
Editorial | |
ID Digital Content | |
Formato | |
EISBN |
Tabla de contenido
AutoresIntroducción 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
Catedrático de Universidad, Licenciado en Físicas y Doctor Ingeniero Electrónico. Director del Máster en Ciencia de Datos y del Máster en Inteligencia Artificial ambos de la Universidad de Valencia.
MANUEL ANTONIO SÁNCHEZ-MONTAÑÉS ISLA.
Profesor en la Universidad Autónoma de Madrid en el Departamento de Ingeniería Informática de la Escuela Politécnica Superior. Licenciado en Físicas y Doctor Ingeniero en Informática.
RUTH GAMERO CRUZ.
Licenciada en Administración de Empresas por la Universidad Autónoma de Madrid. Senior Management Program en el IE y Master Data Analytics en EDEM.
BORJA CASTILLO CABALLERO.
Graduado en matemáticas por la Universidad de Valencia. Máster en Inteligencia Artificial en la Universidad de Valencia y Máster en Análisis y Visualización de Datos Masivos en la Universidad Internacional de la Rioja.
PEDRO CANO MICHELENA.
Graduado en matemáticas por la Universidad de Valencia. Máster en Inteligencia Artificial por la Universidad de Valencia.