1. Record Nr.
Autore
Titolo
Pubbl/distr/stampa
UNINA9910814566803321
Bosch Rue Anna
Deep learning : principios y fundamentos / / Anna Bosch Rue, Jordi
Casas-Roma, Toni Lozano Bagen
Barcelona : , : Editorial UOC, , diciembre 2019
ISBN
9788491806578
Edizione
[Primera edicion en lengua castellana]
Descrizione fisica
1 online resource
Collana
Manuales (Tecnología)
Disciplina
006.31
Soggetti
Aprenentatge automàtic
Xarxes neuronals (Informàtica)
Machine learning
Neural networks (Computer science)
Lingua di pubblicazione
Spagnolo
Formato
Materiale a stampa
Livello bibliografico
Monografia
Note generali
Reimpresiones: 2020
Nota di bibliografia
Incluye referencias bibliograficas.
Nota di contenuto
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
Sommario/riassunto
-- 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.
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 enfoque del libro es claramente descriptivo, con el
objetivo de que 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
bloque 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.
0
