Deep learning : principios y fundamentos / Anna Bosch Rué, Jordi Casas-Roma, Toni Lozano Bagén.

Format:

Book

Author/Creator:

Bosch Rué, Anna, author.

Casas-Roma, Jordi, author.

Lozano Bagén, Toni, author.

Series:

Manuales (Editorial UOC) ; 666

Manuales (Editorial UOC). Tecnología

Manuales (Tecnología)

Language:

Spanish

Subjects (All):

Machine learning.

Neural networks (Computer science).

Genre:

Libros electrónicos.

Physical Description:

1 online resource.

Edition:

Primera edición en lengua castellana

Place of Publication:

Barcelona : Editorial UOC, diciembre 2019.

System Details:

text file

PDF

Summary:

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 enfoqué del libro es claramente descriptivo, con el objetivo de qué el lector entienda los conceptos e ideas básicos detrás de cada algoritmo o técnica. La primera parte del libro constituye una introducción al aprendizaje profundo, en general, y a las redes neuronales, en particular. En la segunda parte se describe el funcionamiento de las redes neuronales, partiendo de conceptos básicos (como la estructura de una neurona, las principales funciones de activación, etc.) hasta alcanzar conceptos avanzados (optimización del rendimiento de las redes neuronales o estrategias para evitar el problema del sobreentrenamiento). La tercera parte presenta los fundamentos teóricos, estructura y principales arquitecturas de las redes neuronales convolucionales (Convolutional neural networks, CNN) y su aplicación en el procesamiento de imágenes. Finalmente, el cuarto bloqué de este texto se centra los fundamentos teóricos, estructura y principales arquitecturas de las redes neuronales recurrentes (Recurrent neural networks, RNN) y su aplicaciones para el procesamiento de series temporales y textos.

Contents:

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.

Notes:

Reimpresiones: 2020

Incluye referencias bibliográficas.

Description based on print version record.

ISBN:

9788491806578

OCLC:

1251759015