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 11. Detección y reconocimiento de caras

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

No hace mucho, embarqué en un vuelo a Europa y me sorprendió no tener que enseñar el pasaporte. Pasé por delante de una cámara y enseguida me dieron la bienvenida a bordo del vuelo. Formaba parte de un primer proyecto piloto de Delta Air Lines para avanzar en el reconocimiento facial y ofrecer una experiencia de viaje sin contacto de la puerta de embarque a la puerta de embarque.

El reconocimiento facial está en todas partes. Es una de las aplicaciones más comunes, y a veces controvertidas, de la IA. Meta, antes conocida como Facebook, lo utiliza para etiquetar a los amigos en las fotos, al menos hasta que eliminó esta función por problemas de privacidad. Apple la utiliza para permitir a los usuarios desbloquear sus iPhones, mientras que Microsoft la utiliza para desbloquear los PC con Windows. Uber lo utiliza para confirmar la identidad de sus conductores. Bien utilizado, el reconocimiento facial tiene un enorme potencial para hacer del mundo un lugar mejor, más seguro y más protegido.

Supón que quieres construir un sistema que identifique a las personas en fotos o fotogramas de vídeo. Tal vez forme parte de un sistema de seguridad que restringe el acceso a las residencias universitarias a los estudiantes y al personal que están autorizados a entrar. O quizá estés escribiendo una aplicación que busque en tu disco ...