Inteligencia artificial avanzada
En este libro se introducen los conceptos fundamentales de la Inteligencia Artificial, desde una visión muy orientada al reconocimiento de patrones. El lector podrá encontrar una revisión completa de las técnicas avanzadas más usadas en el campo del aprendizaje automático. El texto se ha enfocado de...
| Otros Autores: | |
|---|---|
| Formato: | Libro electrónico |
| Idioma: | Castellano |
| Publicado: |
Barcelona :
Editorial UOC
2013.
|
| Colección: | Manuales
|
| Materias: | |
| Ver en Biblioteca Universitat Ramon Llull: | https://discovery.url.edu/permalink/34CSUC_URL/1im36ta/alma991009433915306719 |
Tabla de Contenidos:
- Inteligencia artificial avanzada; Página legal; Autores; Índice; Capítulo I. Introducción a la inteligencia artificial; 1.Neuronas y transistores; 2.Breve historia de la IA; 3. Ámbitos de aplicación de la inteligencia artificial; Capítulo II. Recomendadores y agrupamientos; 1. Métricas y medidas de similitud; 1.1. Ejemplo de aplicación; 1.2. Distancia euclídea; 1.3. Correlación de Pearson; 1.4. Procesamiento de datos reales; 1.5. Conclusiones; 2.Recomendadores basados en memoria; 2.1. Conceptos generales; 2.2. Aproximaciones simples; 2.3. Recomendación ponderada; 2.4. Conclusiones
- 3. Algoritmos de agrupamiento (clustering)3.1. Ejemplo de aplicación; 3.2. Conceptos generales; 3.3. Agrupamiento jerárquico. Dendrogramas; 3.4. k-medios (kmeans); 3.5. c-medios difuso (Fuzzy c-means); 3.6. Agrupamiento espectral (spectral clustering); 3.7. Recomendadores basados en modelos; Capítulo III. Extracción y selección de atributos; 1. Técnicas de factorización matricial; 1.1. Descomposición en valores singulares (SVD); 1.2. Análisis de componentes principales (PCA); 1.3. Análisis de componentes independientes (ICA); 1.4. Factorización de matrices no-negativas (NMF)
- 2. Discriminación de datos en clases2.1. Análisis de discriminantes lineales (LDA); 3.Visualización de datos mutidimensionales; 3.1. Escalamiento multidimensional (MDS); Capítulo IV. Clasificación; 1. Introducción; 1.1. Categorización de textos; 1.2. Aprendizaje automático para clasificación; 1.3. Tipología de algoritmos para clasificación; 2. Métodos basados en modelos probabilísticos; 2.1. Naïve Bayes; 2.2. Máxima entropía; 3. Métodos basados en distancias; 3.1. kNN; 3.2. Clasificador lineal basado en distancias; 3.3. Clustering dentro de clases; 4. Métodos basados en reglas
- 4.1. Árboles de decisión4.2. AdaBoost; 5. Clasificadores lineales y métodos basados en kernels; 5.1. Clasificador lineal basado en producto escalar; 5.2. Clasificador lineal con kernel; 5.3. Kernels para tratamiento de textos; 5.4. Máquinas de vectores de soporte; 6. Protocolos de test; 6.1. Protocolos de validación; 6.2. Medidas de evaluación; 6.3. Tests estadísticos; 6.4. Comparativa de clasificadores; Capítulo V. Optimización; 1. Introducción; 1.1. Tipología de los métodos de optimización; 1.2. Características de los metaheurísticos de optimización
- 2. Optimización mediante multiplicadores de Lagrange2.1. Descripción del método; 2.2. Ejemplo de aplicación; 2.3. Análisis del método; 3. Recocción simulada; 3.1. Descripción del método; 3.2. Ejemplo de aplicación; 3.3. Análisis del método; 3.4. Código fuente en Python; 4. Algoritmos genéticos; 4.1. Descripción del método; 4.2. Ampliaciones y mejoras; 4.3. Ejemplo de aplicación; 4.4. Análisis del método; 4.5. Código fuente en Python; 5. Colonias de hormigas; 5.1. Descripción del método; 5.2. Ejemplo de aplicación; 5.3. Análisis del método; 5.4. Código fuente en Python
- 6. Optimización con enjambres de partículas
