Brinda información clara y concisa sobre la IA en la que se abordan desde el concepto de neurona artificial planteado en 1943 hasta las últimas aplicaciones de Modelos Generativos y Aprendizaje Reforzado.
A nivel histórico, el término Inteligencia Artificial (IA) nace de la mente de John McCarthy; en el vereno de 1956 organiza una conferencia sobre este tema incipiente. Se trataba de una conferencia de dos meses de duración a la que se invitó a las principales figuras de nuevo campo emergente. Los objetivos eran ambiciosos y optmistas a la vez; la propuesta de la conferencia declaraba que "se intentará la forma de hacer que las máquinas utilicen el lenguaje, formen abstracciones y conceptos, resuelvan tipos de problemas ahora reservados a los humanos y se majoren a sí mismas" y prometía que "se podia lograr un avance significativo en uno o varios de estos problemas si un grupo de científicos cuidadosamente seleccionados trabajan juntos en él durante un verano" (!esto se conoce como exceso de optimismo!).
Desde sus comienzos hasta principios de los años 80 las aproximaciones seguidas en este campo son variadas (reglas, agentes, lógica, etc.) y en esta década se empieza a plantear otra estrategia. Esta consiste en considerar todo problema de IA como ajuste de un modelo matemático avanzado entre dos conjuntos de datos; por ejemplo, si planteamos un reconocedor de imágenes se tendría un conjunto inicial de datos, las imágenes a reconocer, y un conjunto final, las diferentes etiquetas codificadas de la mejor manera posible. Esta aproximación se conoce como Aprendizaje Máquina (Machine Learning) o Aprendizaje Automático, un subcampo de la IA dedicado a los algoritmos que aprenden de los datos.
TEMARIO
- INTRODUCCIÓN AL LIBRO
- CAPÍTULO 1. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO
- 1.1 EL SIGLO DE LOS DATOS
- 1.2 ANÁLISIS DE LOS DATOS. ETAPAS
- 1.3 APRENDIZAJE MÁQUINA. TIPOS Y APLICACIONES
- 1.4 APRENDIZAJE PROFUNDO. BREVE HISTORIA
- 1.5 BIBLIOGRAFÍA
- CAPÍTULO 2. MODELOS NEURONALES MULTIFUNCIÓN
- 2.1 NEURONA ARTIFICIAL. ELEMENTOS QUE LA FORMAN
- 2.2 PERCEPTRÓN. ALGORITMO DE APRENDIZAJE
- 2.3 ADALINA. DESCENSO POR GRADIENTE. LMS
- 2.4 ESTRUCTURAS ADAPTATIVAS. VARIANTES DEL LMS
- 2.5 PERCEPTRÓN MULTICAPA. BACKPROPAGATION
- 2.6 VARIANTES DEL BACKPROPAGATION ELECCIÓN DE LA
- ARQUITECTURA
- 2.7 APLICANDO EL PERCEPTRÓN MULTICAPA
- 2.7.1 Arquitectura
- 2.7.2 Modo de funcionamiento
- 2.7.3 Función de coste
- 2.7.4 Sobreajuste (overfitting)
- 2.7.5 Preprocesado de las entradas
- 2.7.6 Problemas con estructuras profundas
- 2.8 MODELOS NEURONALES PARA CLUSTERING. SOM
- 2.8.1 laboratorio
- 2.8.2 MLP usado como clasificador
- 2.8.3 MLP usado como modelizador (regresión)
- 2.9 BIBLIOGRAFÍA
- CAPÍTULO 3. MODELOS NEURONALES ORIENTADOS A VISIÓN
- 3.1 PROBLEMAS DEL MLP EN IMÁGENES
- 3.2 ARQUITECTURA DE UNA CNN. PARTES ESENCIALES
- 3.3 ARQUITECTURAS FAMOSAS
- 3.3.1 Modelos más relevantes que han participado en el ILSV
- 3.4 AUMENTO DE DATOS Y TRANSFERENCIA DE APRENDIZAJE
- 3.5 OTRAS APLICACIONES DE LAS CNN
- 3.5.1 Detección de objetos
- 3.5.2 Segmentación de imágenes
- 3.5.3 Laboratorio
- 3.6 BIBLIOGRAFÍA
- CAPÍTULO 4. MODELOS NEURONALES ORIENTADOS A DATOS TEMPORALES
- 4.1 DATOS TEMPORALES. CARACTERÍSTICAS
- 4.2 MODELOS MULTICAPA RECURRENTES CLÁSICOS
- 4.3 REDES RECURRENTES (RNN)
- 4.4 LONG-SHORT-TERM MEMORY (LSTM)
- 4.5 REDES GATED RECURRENT UNIT (GRU)
- 4.6 APLICACIONES DE LAS REDES RECURRENTES
- 4.7 LABORATORIO
- 4.8 BIBLIOGRAFÍA
- CAPÍTULO 5. MODELOS GENERATIVOS
- 5.1 INTRODUCCIÓN A LOS MODELOS GENERATIVOS
- 5.2 AUTOENCODERS
- 5.3 AUTOENCODERS VARIACIONALES
- 5.4 GAN (GENERATIVE ADVERSARIAL NETWORKS)
- 5.5 PROBLEMAS EN EL AJUSTE DE LAS GAN
- 5.6 VARIACIONES DE LAS GAN
- 5.7 LABORATORIO
- 5.8 BIBLIOGRAFÍA
- CAPÍTULO 6. APRENDIZAJE REFORZADO
- 6.1 INTRODUCCIÓN AL APRENDIZAJE REFORZADO
- 6.1.1 Conceptos previos: elementos de un sistema de Aprendi Reforzado
- 6.2 ELEMENTOS MATEMÁTICOS A TENER EN CUENTA EN EL
- APRENDIZAJE REFORZADO
- 6.3 MÉTODOS DE APRENDIZAJE POR DIFERENCIAS TEMPORALES: SARSA Y Q-LEARNING
- 6.4 APRENDIZAJE REFORZADO PROFUNDO
- 6.5 LABORATORIO
- 6.6 BIBLIOGRAFÍA
- MATERIAL ADICIONAL
