book

Aprendizaje Automático Aplicado e IA para Ingenieros

by Jeff Prosise

September 2024

Intermediate to advanced

428 pages

12h 24m

Spanish

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

Quién debería leer este libroPor qué escribí este libroEjecutar los ejemplos de código del libroNavegar por este libroConvenciones utilizadas en este libroUtilizar ejemplos de códigoAprendizaje en línea O'ReillyCómo contactar con nosotrosAgradecimientos
¿Qué es el aprendizaje automático?Aprendizaje automático frente a inteligencia artificialAprendizaje supervisado frente a aprendizaje no supervisadoAprendizaje no supervisado con agrupación de k-MeansAplicación de la agrupación de k-Means a los datos de clientesSegmentar a los clientes utilizando más de dos dimensionesAprendizaje supervisadok-Próximos más cercanosUtilizar k-Nearest Neighbors para clasificar floresResumen
Regresión linealÁrboles de decisiónBosques aleatoriosMáquinas que aumentan el gradienteMáquinas de vectores soporteMedidas de precisión para modelos de regresiónUtilizar la regresión para predecir las tarifas de los taxisResumen
Regresión logísticaMedidas de precisión para modelos de clasificaciónDatos categóricosClasificación binariaClasificación de los pasajeros que navegaron en el TitanicDetectar el fraude con tarjetas de créditoClasificación MulticlaseConstruir un modelo de reconocimiento de dígitosResumen
Preparar el texto para la clasificaciónAnálisis de SentimientoBayes ingenuosFiltrado de spamSistemas de recomendaciónSimilitud del cosenoCrear un sistema de recomendación de películasResumen
Cómo funcionan las máquinas de vectores soporteGranosTrucos del núcleoAjuste de hiperparámetrosNormalización de datosPipeliningUso de SVM para el reconocimiento facialResumen
Comprender el Análisis de Componentes PrincipalesFiltrar el ruidoAnonimizar datosVisualizar Datos de Alta DimensiónDetección de anomalíasUtilizar la PCA para detectar fraudes con tarjetas de créditoUtilizar el PCA para predecir el fallo de los rodamientosDetección Multivariante de AnomalíasResumen
Consumir un modelo Python desde un cliente PythonVersionar archivos PickleConsumir un modelo Python desde un cliente C#Contenedorizar un modelo de aprendizaje automáticoUtilizar ONNX para salvar la brecha lingüísticaConstruir modelos ML en C# con ML.NETAnálisis de Sentimiento con ML.NETGuardar y cargar modelos ML.NETAñadir capacidades de aprendizaje automático a ExcelResumen

Comprender las redes neuronalesEntrenamiento de redes neuronalesResumen
Construir redes neuronales con Keras y TensorFlowDimensionar una red neuronalUtilizar una red neuronal para predecir las tarifas de los taxisClasificación binaria con redes neuronalesHacer prediccionesEntrenamiento de una red neuronal para detectar fraudes con tarjetas de créditoClasificación multiclase con redes neuronalesEntrenar una red neuronal para reconocer carasAbandonoGuardar y cargar modelosDevoluciones de llamada de KerasResumen
Comprender las CNNUso de Keras y TensorFlow para construir CNNsEntrenamiento de una CNN para reconocer la fauna del ÁrticoCNN preentrenadasUtilizar ResNet50V2 para clasificar imágenesAprendizaje por transferenciaUtilizar el Aprendizaje por Transferencia para Identificar la Fauna del ÁrticoAumento de datosAumento de imágenes con ImageDataGeneratorAumento de la imagen con capas de aumentoAplicación del Aumento de Imágenes a la Fauna del ÁrticoAgrupación globalClasificación de audio con CNNResumen
Detección facialDetección de caras con Viola-JonesUtilizar la implementación OpenCV de Viola-JonesDetección de caras con redes neuronales convolucionalesExtraer rostros de las fotosReconocimiento facialAplicación del aprendizaje por transferencia al reconocimiento facialPotenciar el aprendizaje por transferencia con ponderaciones específicas de la tareaArcFacePonerlo todo junto: Detectar y Reconocer Rostros en FotosManejo de rostros desconocidos: Clasificación en Conjuntos Cerrados y Conjuntos AbiertosResumen
R-CNNsMáscara R-CNNYOLOYOLOv3 y KerasDetección de objetos personalizadaEntrenar un modelo de detección de objetos personalizado con el servicio de visión personalizadoUtilizar el modelo exportadoResumen
Preparación del textoIncrustación de palabrasClasificación del textoAutomatizar la vectorización de textosUso de la TextVectorización en un Modelo de Análisis de SentimientoFactorizar el orden de las palabras en las prediccionesRedes neuronales recurrentes (RNN)Utilizar modelos preentrenados para clasificar textoTraducción automática neuronalCodificadores-decodificadores LSTMTransformador Codificador-DecodificadorConstruir un modelo NMT basado en transformadoresUtilizar modelos preentrenados para traducir textoRepresentaciones codificadoras bidireccionales a partir de transformadores (BERT)Construir un sistema de respuesta a preguntas basado en BERTAjuste del BERT para realizar análisis de sentimientoResumen
Presentación de Azure Cognitive ServicesClaves y puntos finalesLlamada a las API de Azure Cognitive ServicesContenedores Azure Cognitive ServicesEl Servicio de Visión por OrdenadorEl Servicio de LenguasEl Servicio de TraductoresEl Servicio de Expresión OralPonerlo todo junto: Contoso ViajesResumen

Content preview from Aprendizaje Automático Aplicado e IA para Ingenieros

Capítulo 9. Redes neuronales

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

Máquina el aprendizaje no es difícil cuando tienes un conjunto de datos adecuadamente diseñado con el que trabajar. La razón de que no sea difícil son bibliotecas como Scikit-Learn y ML.NET, que reducen los complejos algoritmos de aprendizaje a unas pocas líneas de código. El aprendizaje profundo tampoco es difícil, gracias a bibliotecas como Microsoft Cognitive Toolkit (CNTK), Theano y PyTorch. Pero la biblioteca con la que la mayoría del mundo se ha conformado para construir redes neuronales es TensorFlow, un marco de código abierto creado por Google que se publicó bajo la Licencia Apache 2.0 en 2015.

TensorFlow no se limita a construir redes neuronales. Es un marco para realizar operaciones matemáticas rápidas a escala utilizando tensores, que son matrices generalizadas. Los tensores pueden representar valores escalares (tensores de 0 dimensiones), vectores (tensores de 1D), matrices (tensores de 2D), etc. Una red neuronal es básicamente un flujo de trabajo para transformar tensores. El perceptrón de tres capas que aparece en el Capítulo 8 toma como entrada un tensor 1D que contiene dos valores, lo transforma en un tensor 1D que contiene tres valores y produce como salida un tensor 0D. TensorFlow te permite definir grafos dirigidos que, a su vez, definen cómo se calculan los tensores. Y, a diferencia de Scikit, es compatible con las ...