Detalle del libro
titulo del libro

SISTEMAS DE APRENDIZAJE AUTOMÁTICO MACHINE LEARNING

PEREZ LOPEZ, CESAR

Editorial
GARCETA GRUPO EDITORIAL
Tema
Estadística
Año edición
2022
ISBN
978-84-19034-07-6
Encuadernación
Rústica
Páginas
544
Idioma
Castellano
40,00 € Disponible 5 Días hábiles

Ver Índice

El libro está dirigido tanto a alumnos que siguen un Curso de especialización en Inteligencia Artificial y Big
Data como a profesionales del sector.

Comienza clasificando los sistemas, herramientas, técnicas y algoritmos o modelos aplicados al Aprendizaje Automático. A continuación, se tratan las técnicas de aprendizaje supervisado, sus fases y plataformas, así como los algoritmos y modelos más importantes. Se desarrollan las técnicas de regresión con sus fases de identificación, estimación, validación (diagnosis) y predicción.

Se presentan los métodos especiales de regresión como PLS, LARS, LASSO, ELASTIC NET,
RANSAC, THEIL, HUBERT, KERNEL RIDGE REGRESSION (KRR), SUPPORT VECTOR REGRESSION
(SVR) y STOCHASTIC GRADIENT DESCENDT (SGD) entre otros.

Asimismo, se tratan las técnicas de aprendizaje supervisado enfocadas a la clasificación o segmentación como los Modelos Logit y Probit, los Modelos Lineales Generalizados, los Árboles de Decisión, los
Modelos de Análisis Discriminante, los Modelos SVM (Support Vector Machine), lo modelos kNN (Vecino
más Cercano) y los Modelos SLRM (Respuesta de Autoaprendizaje).

Todas las técnicas citadas anteriormente se ilustran con ejemplos y se resuelven con el software de
Machine Learning adecuado, incluyendo Python, R, IBM SPSS Modeler y SAS Enterprise Miner.
A continuación se abordan las técnicas de aprendizaje no supervisado como la Reducción de la Dimensión
mediante Análisis de Componentes Principales y Análisis Factorial. Entre las técnicas de aprendizaje
no supervisado para la clasificación y segmentación se desarrolla el Análisis Clúster tanto jerárquico como
no jerárquico, algoritmos de detección de anomalías y Reglas de Asociación. Para todas las técnicas se
presentan ejemplos significativos que se resuelven con el software más utilizado en estos casos, como R e IBM SPSS Modeler.

Finalmente, se profundiza en los Modelos de Redes Neuronales, tanto para técnicas de aprendizaje supervisado como el ajuste de modelos predictivos (Perceptrón Multicapa y Red de Base Radial) como para técnicas de análisis no supervisado como el análisis clúster (Redes de Kohonen). Se desarrollan también
las Redes Neuronales Bayesianas y se introducen las técnicas de Deep Learning y las Redes Neuronales
Convolucionales. Se presentan ejemplos totalmente resueltos con software visual como es el caso de IBM
SPSS Modeler. Se finaliza con las técnicas de valoración y comparación de modelos.

Otros compraron