Deep learning : principios y fundamentos /

Mostrar otras versiones (2)

En este libro se introducen los conceptos fundamentales del aprendizaje profundo (Deep learning, DL) mediante el uso de redes neuronales artificiales (Artificial neural networks, ANN). El lector podrá encontrar una revisión completa de las técnicas avanzadas más usadas en estos campos. El enfoqu...

Descripción completa

Detalles Bibliográficos
Clasificación:Libro Electrónico
Autores principales: Bosch Rué, Anna (Autor), Casas-Roma, Jordi (Autor)
Otros Autores: Lozano Bagén, Toni
Formato: Electrónico eBook
Idioma:Español
Publicado: Barcelona : Editorial UOC, [2020]
Edición:Primera edición digital.
Colección:Manuales (Editorial UOC). Tecnología.
Temas:
Neural networks (Computer science)
Machine learning.
Réseaux neuronaux (Informatique)
Apprentissage automatique.
Machine learning
Spanish language materials.
Acceso en línea:Texto completo
Tabla de Contenidos:
  • Deep learning. Principios y fundamentos
  • Página legal
  • Índice
  • Prefacio
  • Parte I. Introducción
  • Capítulo 1. Introducción y contextualización
  • 1.1. ¿Qué es deep learning?
  • 1.2. Contextualización de las redes neuronales
  • Capítulo 2. Conceptos básicos de aprendizaje automático
  • 2.1. Tipología de métodos
  • 2.2. Tipología de tareas
  • 2.3. Preprocesamiento de datos
  • 2.4. Datos de entrenamiento y test
  • 2.5. Evaluación de modelos
  • Parte II. Redes neuronales artificiales
  • Capítulo 3. Principios y fundamentos
  • 3.1. Las neuronas
  • 3.2. Arquitectura de una red neuronal
  • 3.3. Entrenamiento de una red neuronal
  • 3.4. Ejemplo de aplicación
  • 3.5. El problema de la desaparición (...)
  • 3.6. Resumen
  • Capítulo 4. Optimización del proceso de aprendizaje
  • 4.1. Técnicas relacionadas (...)
  • 4.2. Técnicas relacionadas con (...)
  • 4.3. Técnicas relacionadas con (...)
  • 4.4. Resumen
  • Capítulo 5. Autoencoders
  • 5.1. Estructura básica
  • 5.2. Entrenamiento de un autoencoder
  • 5.3. Preentrenamiento utilizando autoencoders
  • 5.4. Tipos de autoencoders
  • Parte III. Redes neuronales convolucionales
  • Capítulo 6. Introducción y conceptos básicos
  • 6.1. Visión por computador
  • 6.2. La operación de convolución
  • 6.3. Ventajas derivadas de la convolución
  • 6.4. Conclusiones
  • Capítulo 7. Componentes y estructura de una CNN
  • 7.1. La capa de convolución
  • 7.2. Otras capas de las CNN
  • 7.3. Estructura de una red (...)
  • Capítulo 8. Arquitecturas de CNN
  • 8.1. Redes convolucionales clásicas
  • 8.2. Residual networks (ResNet)
  • 8.3. Inception
  • Capítulo 9. Consejos prácticos y ejemplos
  • 9.1. Consejos prácticos en el uso de las CNN
  • 9.2. Ejemplos
  • Parte IV. Redes neuronales recurrentes
  • Capítulo 10. Fundamentos de las redes recurrentes
  • 10.1. Concepto de recurrencia.
  • 10.2. Tipos de redes neuronales recurrentes
  • 10.3. Entrenamiento de una (...)
  • Capítulo 11. Tipología de celdas recurrentes
  • 11.1. Long short term memory (LSTM)
  • 11.2. Gated recurrent unit (GRU)
  • Capítulo 12. Arquitecturas de redesrecurrentes
  • 12.1. Redes neuronales (...)
  • 12.2. Redes neuronales (...)
  • 12.3. Arquitectura codificador-decodificador
  • 12.4. Mecanismo de atención
  • Capítulo 13. Consejos prácticos y ejemplos
  • 13.1. Consejos prácticos en el uso de RNN
  • 13.2. Ejemplos
  • Parte V. Apéndices
  • Apéndice
  • A. Notación
  • Apéndice B. Detalles del backpropagation
  • 2.1. Notación
  • 2.2. Caso particular con un único ejemplo
  • 2.3. Caso general con varios ejemplos
  • Bibliografía.

Ejemplares similares