La Inteligencia Artificial ha experimentado un gran auge en los últimos años, tanto en el mundo académico como en el empresarial, con increíbles resultados en el reconocimiento de voz, los modelos de conversación, la visión artificial y otras aplicaciones.
Índice
PARTE 1. Introducción
1. Introducción al Deep Learning
Introducción
Contexto del Deep Learning
Aprendizaje de representaciones
Aplicaciones
2. Aspectos generales del Deep Learning
Etapas de un proyecto
Formulaciones
Importancia de los datos
Entrenar una red neuronal
3. Keras y PyTorch
Introducción
Instalación
Uso básico de las librerías
Reproducibilidad de resultados
PARTE 2. Fundamentos
4. Perceptrón multicapa
Introducción
Definición de perceptrón
Perceptrón multicapa
Entrenamiento y evaluación
Caso de estudio
5. Redes neuronales convolucionales
Introducción
Operación de convolución
Capa de convolución
Submuestreo
Composición de una CNN
Caso de estudio
6. Redes neuronales recurrentes
Introducción a los datos secuenciales o secuencias
Neurona recurrente
LSTM
GRU
Recurrencia bidireccional
Caso de estudio
PARTE 3. Conceptos avanzados y aplicaciones
7. Convergencia y ajuste de modelos
Introducción
Técnicas de regularización
Aumento de datos
Mejora de la convergencia
Caso de estudio
8. Visión por computador
Introducción
Aplicaciones
Aprendizaje por transferencia
Caso de estudio
9. Procesamiento de Lenguaje Natural
Introducción
Aplicaciones
Procesamiento del texto: segmentación y representación
Mecanismo de atención
La arquitectura Transformer
Caso de estudio
10. Siguientes pasos
Introducción
Otros paradigmas de aprendizaje
Otras arquitecturas
Apéndices: Soluciones a los casos de estudio
Comparte este libro
Sinopsis
La Inteligencia Artificial ha experimentado un gran auge en los últimos años, tanto en el mundo académico como en el empresarial, con increíbles resultados en el reconocimiento de voz, los modelos de conversación, la visión artificial y otras aplicaciones. Detrás de todos estos avances se encuentra la tecnología basada en los modelos matemáticos de redes neuronales profundas, conocida como aprendizaje profundo o 'Deep Learning'. Conocer esta tecnología abre las puertas a un inmenso mercado digital, al campo de la investigación y a innumerables oportunidades de negocio.
En estas páginas el lector encontrará una introducción a los fundamentos de ese paradigma de aprendizaje computacional. Los aspectos teóricos se complementan con ejemplos de implementación en los dos 'frameworks' de programación más populares en la actualidad dentro de este campo: Keras y PyTorch. El libro describe las arquitecturas vertebradoras del 'Deep Learning', como el perceptrón multicapa, las redes convolucionales y las redes recurrentes, entre otras, así como su aplicación en los campos de la visión por computador y el procesamiento del lenguaje natural. Todos estos contenidos se estudiarán mediante ejemplos y ejercicios, asumiendo que el lector no ha trabajado con estos 'frameworks' previamente', aunque sí con el lenguaje de programación Python.
Colección
MANUALES IMPRESCINDIBLES
Código
2311382
I.S.B.N.
978-84-415-4816-9
Publicación 14/09/2023
Clasificación IBIC
UYQM
Formato
Papel
Páginas
400
Colección
MANUALES IMPRESCINDIBLES
Código
2382455
I.S.B.N.
978-84-415-4859-6
Publicación 14/09/2023
Clasificación IBIC
UYQM
Formato
ePub
Autor
Antonio Javier Gallego Sánchez
Antonio Javier Gallego es Ingeniero en Informática (2004) y doctor (2012) por la Universidad de Alicante. Investigador postdoctoral en la Universidad de Edimburgo y en el centro de computación de alto rendimiento de Reino Unido. Se desempeña como profesor titular de universidad del Departamento de Lenguajes y Sistemas Informáticos, en el que imparte clases sobre aprendizaje automático, visión artificial y 'Deep Learning'. Ha participado en más de veinte proyectos de investigación y es autor de más de ochenta publicaciones relacionadas con la inteligencia artificial.
María Alfaro es Ingeniera en Telecomunicaciones por la Universidad de Alicante en 2018. Actualmente ejerce como investigadora en el Departamento de Lenguajes y Sistemas Informáticos gracias a un contrato para la Formación de Profesorado Universitario (FPU) del Ministerio de Universidades. Su área de investigación se centra en el uso de 'Deep Learning' en transcripción automática de música. Ha sido galardonada en el «XVIII Certamen Universitario Arquímedes» en el área «Ingeniería y Arquitectura» del Ministerio de Ciencia, Innovación y Universidades y con el premio nacional «Futuro de las Telecomunicaciones», en la categoría «Ingeniería de Sonido e Imagen» del Colegio Oficial de Ingenieros Técnicos de Telecomunicación.
Jorge Calvo es Ingeniero en Informática (2011) y Doctor (2016) por la Universidad de Alicante. Investigador postdoctoral en McGill University (Montreal, Canadá) y en la Universidad Politécnica de Valencia. Actualmente ejerce como profesor titular en el Departamento de Lenguajes y Sistemas Informáticos de la Universidad de Alicante. Ha publicado un centenar de artículos científicos relacionados con el uso de 'Deep Learning' en diversas aplicaciones. Su experiencia docente incluye asignaturas de análisis y diseño de algoritmos, aprendizaje automático e inteligencia artificial.
Carlos Garrido es Ingeniero Informático y Científico de Datos por la Universidad de Alicante en 2021 y 2022, respectivamente. Ejerce como investigador en el Instituto Universitario de Investigación Informática de la Universidad de Alicante. Actualmente investiga el desarrollo de modelos generalistas de 'Deep Learning' para facilitar su transferencia a casos de uso reales.
Antonio Ríos es Ingeniero Multimedia (2020) y Científico de Datos (2021) por la Universidad de Alicante. Actualmente es investigador en el Departamento de Lenguajes y Sistemas Informáticos de la Universidad de Alicante. Su área de investigación se centra en el uso de 'Deep Learning' en transcripción automática de música y texto manuscrito. Cuenta con un premio nacional concedido por el Ministerio de Asuntos Económicos y Transformación Digital relacionado con el uso de datos y técnicas de aprendizaje automático para mejorar la gestión de la salud pública.
José Javier Valero es Ingeniero en Telecomunicación por la Universidad Miguel Hernández de Elche (2012) y Doctor en Informática por la Universidad de Alicante (2017). Investigador postdoctoral en la Queen Mary University (Londres, Reino Unido), la Universitat Pompeu Fabra (Barcelona) y la Universidad de Alicante, donde actualmente ejerce su actividad profesional. Su investigación se centra en el Aprendizaje Automático y en el 'Deep Learning' aplicados a las tareas de Extracción y Recuperación de Información Musical.