La inteligencia artificial supone la base de todo el aprendizaje automático y el futuro de todos los procesos complejos de toma de decisiones. La Inteligencia Artificial combina algoritmos matemáticos y técnicas de Machine Learning, Deep Learning y Big Data para extraer el conocimiento contenido en los datos y presentarlo de forma comprensible y automática. En este libro se profundiza en el uso de las redes neuronales para aprendizaje supervisado y no supervisado. En cuanto al aprendizaje supervisado se tienen en cuenta las arquitecturas más comunes como Perceptrón Multicapa, Red de Base Radial, Redes ADALINE, Redes de HOPFIELD, Redes Probabilísticas, Redes Lineales, Redes de Regresión Generalizada, Redes LVQ, Redes Lineales y Redes para Optimización de Modelos de Regresión. En este apartado de análisis supervisado merecen especial atención las Redes Neuronales para Predicción de Series Temporales como la Red LSTM, las Redes GRU, las Redes Neuronales Recurrentes RNN, las Redes NARX, las Redes NNAR y en general las Redes Neuronales Dinámicas. En cuanto al aprendizaje no supervisado se desarrollan las Redes para Reconicimientio de Patrones y Análisis Cluster como las Redes de KOHONEN (Mapas autoorganizativos SOM), las Redes para Reconocimiento de Patrones, las Redes Neuronales Autoencoders, las Redes para Aprendizaje por Transferencia (Transfer Learning), Las Redes para Detección de Anomalías y las Redes Neuronales Convolucionales. Los sucesivos temas describen metodológicamente las arquitecturas de los diferentes tipos de redes neuronales y su utilidad en las aplicaciones prácticas. Además, para cada tipo de red neuronal se presentan ejemplos con una sintaxis óptima en los lenguajer R y Python.
La inteligencia artificial supone la base de todo el aprendizaje automático y el futuro de todos los procesos complejos de toma de decisiones. La Inteligencia Artificial combina algoritmos matemáticos y técnicas de Machine Learning, Deep Learning y Big Data para extraer el conocimiento contenido en los datos y presentarlo de forma comprensible y automática. En este libro se profundiza en el uso de las redes neuronales para aprendizaje supervisado y no supervisado. En cuanto al aprendizaje supervisado se tienen en cuenta las arquitecturas más comunes como Perceptrón Multicapa, Red de Base Radial, Redes ADALINE, Redes de HOPFIELD, Redes Probabilísticas, Redes Lineales, Redes de Regresión Generalizada, Redes LVQ, Redes Lineales y Redes para Optimización de Modelos de Regresión. En este apartado de análisis supervisado merecen especial atención las Redes Neuronales para Predicción de Series Temporales como la Red LSTM, las Redes GRU, las Redes Neuronales Recurrentes RNN, las Redes NARX, las Redes NNAR y en general las Redes Neuronales Dinámicas. En cuanto al aprendizaje no supervisado se desarrollan las Redes para Reconicimientio de Patrones y Análisis Cluster como las Redes de KOHONEN (Mapas autoorganizativos SOM), las Redes para Reconocimiento de Patrones, las Redes Neuronales Autoencoders, las Redes para Aprendizaje por Transferencia (Transfer Learning), Las Redes para Detección de Anomalías y las Redes Neuronales Convolucionales. Los sucesivos temas describen metodológicamente las arquitecturas de los diferentes tipos de redes neuronales y su utilidad en las aplicaciones prácticas. Además, para cada tipo de red neuronal se presentan ejemplos con una sintaxis óptima en los lenguajer R y Python.
Técnicas y Herramientas para la Inteligencia Artificial. Redes Neuronales a través de R y PYTHON
Técnicas y Herramientas para la Inteligencia Artificial. Redes Neuronales a través de R y PYTHON
Product Details
| BN ID: | 2940181094659 |
|---|---|
| Publisher: | Scientific Books |
| Publication date: | 07/21/2025 |
| Sold by: | Draft2Digital |
| Format: | eBook |
| File size: | 11 MB |
| Note: | This product may take a few minutes to download. |
| Language: | Spanish |