Aprendizaje automático y profundo en Python : una mirada hacia a la inteligencia artificial / Carlos M. Pineda Pertuz.
Editor: Madrid : RA-MA, 2022Descripción: 341 páginas : ilustraciones (blanco y negro) ; 24 cmTipo de contenido:- texto
- no mediado
- volumen
- 9789587920215
- 006.31 P653a 2022 23 ed.
Tipo de ítem | Biblioteca actual | Colección | Signatura | Estado | Fecha de vencimiento | Código de barras | Reserva de ítems |
---|---|---|---|---|---|---|---|
![]() |
Sede Quito Primer piso | Col General | 006.31 P653a 2022 (Navegar estantería(Abre debajo)) | Disponible | PUCE213899 |
Incluye perfil académico del autor en la contracubierta del libro
Bibliografía: páginas 337 e índice
Capíulo 1. Conceptos básicos de programación en Python 3.9 -- capítulo 2. Introducción al aprendizaje automático -- capítulo 3. Herramientas para el aprendizaje automático -- capítulo 4. Preprocesado de datos -- capítulo 5. Modelos de regresión -- capítulo 6. Regularización, métricas de evaluación y ajuste de hiperparámetros -- capítulo 7. Modelos de clasificación I -- capítulo 8. Modelos de clasificación II -- capítulo 9. Clustering -- capítulo 10. Reducción de la dimensionalidad -- capítulo 11. Introducción a las redes neuronales -- capítulo 12. Redes neuronales convolucionales -- capítulo 13. Aumento de datos y transferencia de aprendizaje -- capítulo 14. Introducción al Procesamiento del Lenguaje Natural (PNL) -- capítulo 15. Redes neuronales recurrentes (RNN).
Es una herramienta de apoyo y de consulta para toda aquella persona interesada en dominar los fundamentos del aprendizaje automático y profundo, a tal punto que le permita aprender lo necesario para desarrollar sus propios modelos de aprendizaje aptos para realizar predicciones con base en los datos, para ello el autor hará uso en la mayoría de los casos de explicaciones teóricas y prácticas, que permitan al lector afianzar sus ideas y fortalecer su aprendizaje. El libro se encuentra dividido en dos partes la primera enfocada en el machine learning y sus diferentes algoritmos de regresión y clasificación, clustering, entre otros. La segunda parte comprende varias técnicas de deep learning donde estudiaremos diferentes arquitecturas de redes neuronales como: redes densamente conectadas, redes convolucionales y redes recurrentes.
No hay comentarios en este titulo.