Ejemplos prácticos de redes neuronales mediante MATLAB y PYTHON PDF Download
Are you looking for read ebook online? Search for your book and save it on your Kindle device, PC, phones or tablets. Download Ejemplos prácticos de redes neuronales mediante MATLAB y PYTHON PDF full book. Access full book title Ejemplos prácticos de redes neuronales mediante MATLAB y PYTHON by Óscar Reinoso García. Download full books in PDF and EPUB format.
Author: Óscar Reinoso García
Publisher: Universidad Miguel Hernández
ISBN: 8418177268
Category : Technology & Engineering
Languages : es
Pages : 113
Get Book Here
Book Description
En este libro se recogen algunos ejercicios y desarrollos en los que se exponen diferentes alternativas de aplicación de procedimientos y métodos de Inteligencia Artificial mediante el uso de diferentes herramientas para su aplicación. En particular, a lo largo de este texto se van a presentar diferentes redes neuronales que pueden ser empleadas para la resolución de diferentes ejemplos y aplicaciones prácticas. En concreto, a lo largo de las diferentes unidades se hace uso tanto de Matlab, como de Python como herramientas para el desarrollo y evaluación práctica de estos ejercicios. MATLAB, acrónimo de MATrix LABoratory, constituye hoy en día una herramienta matemática muy potente y muy empleada por multitud de investigadores de todo tipo en todo el mundo, particularmente en Ingeniería. Constituye un software de carácter general muy empleado en universidades y centros de investigación de todo el mundo. Por otro lado, el lenguaje de programación Python se ha convertido durante los últimos años en un lenguaje muy empleado para abordar diferentes problemas y algoritmos que emplean técnicas de Inteligencia Artificial. No es el cometido de este libro abordar las características principales de este lenguaje de programación sino presentar algunas opciones en las que utilizando este lenguaje se pueden implementar estos algoritmos para abordar problemas sencillos de inteligencia artificial. Por último, nos centramos en abordar ejemplos prácticos de cómo se pueden emplear diferentes modelos de redes neuronales para solucionar algunos casos.
Author: Óscar Reinoso García
Publisher: Universidad Miguel Hernández
ISBN: 8418177268
Category : Technology & Engineering
Languages : es
Pages : 113
Get Book Here
Book Description
En este libro se recogen algunos ejercicios y desarrollos en los que se exponen diferentes alternativas de aplicación de procedimientos y métodos de Inteligencia Artificial mediante el uso de diferentes herramientas para su aplicación. En particular, a lo largo de este texto se van a presentar diferentes redes neuronales que pueden ser empleadas para la resolución de diferentes ejemplos y aplicaciones prácticas. En concreto, a lo largo de las diferentes unidades se hace uso tanto de Matlab, como de Python como herramientas para el desarrollo y evaluación práctica de estos ejercicios. MATLAB, acrónimo de MATrix LABoratory, constituye hoy en día una herramienta matemática muy potente y muy empleada por multitud de investigadores de todo tipo en todo el mundo, particularmente en Ingeniería. Constituye un software de carácter general muy empleado en universidades y centros de investigación de todo el mundo. Por otro lado, el lenguaje de programación Python se ha convertido durante los últimos años en un lenguaje muy empleado para abordar diferentes problemas y algoritmos que emplean técnicas de Inteligencia Artificial. No es el cometido de este libro abordar las características principales de este lenguaje de programación sino presentar algunas opciones en las que utilizando este lenguaje se pueden implementar estos algoritmos para abordar problemas sencillos de inteligencia artificial. Por último, nos centramos en abordar ejemplos prácticos de cómo se pueden emplear diferentes modelos de redes neuronales para solucionar algunos casos.
Author: Cesar Perez Lopez
Publisher: Createspace Independent Publishing Platform
ISBN: 9781978319974
Category :
Languages : es
Pages : 158
Get Book Here
Book Description
Podemos definir una red neuronal como un conjunto de elementos de procesamiento de la informaci�n altamente interconectados, que son capaces de aprender con la informaci�n que se les alimenta. La principal caracter�stica de esta nueva tecnolog�a de redes neuronales es que puede aplicarse a gran n�mero de problemas que pueden ir desde problemas complejos reales a modelos te�ricos sofisticados como por ejemplo reconocimiento de im�genes, reconocimiento de voz, an�lisis y filtrado de se�ales, clasificaci�n, discriminaci�n, an�lisis financiero, predicci�n din�mica, etc. Las redes neuronales tratan de emular el sistema nervioso, de forma que son capaces de reproducir algunas de las principales tareas que desarrolla el cerebro humano, al reflejar las caracter�sticas fundamentales de comportamiento del mismo. Lo que realmente intentan modelizar las redes neuronales es una de las estructuras fisiol�gicas de soporte del cerebro, la neurona y los grupos estructurados e interconectados de varias de ellas, conocidos como redes de neuronas. De este modo, construyen sistemas que presentan un cierto grado de inteligencia. No obstante, debemos insistir en el hecho de que los sistemas neuronales artificiales, como cualquier otra herramienta construida por el hombre, tienen limitaciones y s�lo poseen un parecido superficial con sus contrapartidas biol�gicas. Las redes neuronales, en relaci�n con el procesamiento de informaci�n, heredan tres caracter�sticas b�sicas de las redes de neuronas biol�gicas: paralelismo masivo, respuesta no lineal de las neuronas frente a las entradas recibidas y procesamiento de informaci�n a trav�s de m�ltiples capas de neuronas.Una de las principales propiedades de estos modelos es su capacidad de aprender y generalizar a partir de ejemplos reales. Es decir, la red aprende a reconocer la relaci�n (que no deja de ser equivalente a estimar una dependencia funcional) que existe entre el conjunto de entradas proporcionadas como ejemplos y sus correspondientes salidas, de modo que, finalizado el aprendizaje, cuando a la red se le presenta una nueva entrada (aunque est� incompleta o posea alg�n error), en base a la relaci�n funcional establecida en el mismo, es capaz de generalizarla ofreciendo una salida. En consecuencia, podemos definir una red neuronal artificial como un sistema inteligente capaz, no s�lo de aprender, sino tambi�n de generalizar.En este libro se presentan ejemplos pr�cticos del trabajo con redes neuronales a trav�s de MATLAB. Se muestran aplicaciones sobre ajuste de modelos, reconocimiento de patrones, an�lisis cl�ster, predicci�n de series temporales, Big Data y redes neoronales, computaci�n paralela con redes nuronales y otros ejemplos similares
Author: Carlos Mario Ramírez Gil
Publisher: Ra-Ma Editorial
ISBN: 8419857017
Category : Computers
Languages : es
Pages : 237
Get Book Here
Book Description
La inteligencia artificial se centra en la creación de sistemas capaces de ejecutar tareas que requieran algún tipo de inteligencia humana. Entrar en este campo sin conocimientos previos puede parecer muy complejo, pero con esta obra estamos convencidos que cualquier lector puede lograrlo sin demasiado esfuerzo. El objetivo de este libro es hacer que la IA sea accesible y fácil de entender para personas con poca o ninguna experiencia en programación. De forma progresiva los lectores obtendrán el conocimiento que necesitan sobre cómo crear sistemas capaces de ejecutar tareas que requieren alguna forma de inteligencia similar a la humana, siempre acompañado de ejercicios prácticos para facilitar el aprendizaje. A través de ejemplos se comienza introduciendo al lector en la programación con Python, así como los conceptos claves en inteligencia artificial y se avanza de forma gradual hacia temas más complejos como el aprendizaje profundo y el aprendizaje automático, acompañando siempre la parte teórica con ejemplos prácticos que facilitarán la asimilación. Para finalizar, se abordan conceptos básicos de inteligencia artificial, como la clasificación y la regresión para continuar con implementaciones de inteligencia artificial, lo que permitirá a los lectores generar sus propios algoritmos de inteligencia artificial para el aprendizaje por refuerzo, los chatbots, la detección de rostros y reconocimiento facial, el procesamiento del habla y el lenguaje natural y el análisis de datos. Los contenidos están adaptados al Curso de Especialización de Ciberseguridad en Entornos de las Tecnologías de la Información. El libro contiene material adicional que podrá descargar accediendo a la ficha del libro en www.ra-ma.es
Author: Carlos M. Pineda Pertuz
Publisher: Ra-Ma Editorial
ISBN: 8419857076
Category : Computers
Languages : es
Pages : 347
Get Book Here
Book Description
Esta obra pretende ser una herramienta de apoyo y de consulta para estudiantes y profesionales interesados en dominar los fundamentos del aprendizaje automático y profundo, y así poder desarrollar sus propios modelos de aprendizaje aptos para realizar predicciones con base en los datos, para ello el autor combina explicaciones teóricas con ejemplos prácticos. El libro se inicia con explicaciones sobre el lenguaje Python, para luego abarcar los algoritmos más destacados dentro del aprendizaje de máquina. El contenido se encuentra dividido en dos partes: la primera enfocada en el machine learning y sus diferentes algoritmos de regresión y clasificación, clustering, entre otros. La segunda parte comprende varias técnicas de deep learning donde estudiaremos diferentes arquitecturas de redes neuronales como: redes densamente conectadas, redes convolucionales y redes recurrentes. Desde la web del libro podrá descargar los ejemplos y ejercicios que se desarrollan en el libro lo que facilitara al lector a asimilar lo aprendido.
Author: Carlos Ramírez
Publisher: Ediciones de la U
ISBN: 9587925661
Category : Computers
Languages : es
Pages : 325
Get Book Here
Book Description
La inteligencia artificial se centra en la creación de sistemas capaces de ejecutar tareas que requieran algún tipo de inteligencia humana. Entrar en este campo sin conocimientos previos puede parecer muy complejo, pero con esta obra estamos convencidos que cualquier lector puede lograrlo sin demasiado esfuerzo. El objetivo de este libro es hacer que la IA sea accesible y fácil de entender para personas con poca o ninguna experiencia en programación. De forma progresiva los lectores obtendrán el conocimiento que necesitan sobre cómo crear sistemas capaces de ejecutar tareas que requieren alguna forma de inteligencia similar a la humana, siempre acompañado de ejercicios prácticos para facilitar el aprendizaje. A través de ejemplos se comienza introduciendo al lector en la programación con Python, así como los conceptos claves en inteligencia artificial y se avanza de forma gradual hacia temas más complejos como el aprendizaje profundo y el aprendizaje automático, acompañando siempre la parte teórica con ejemplos prácticos que facilitarán la asimilación. Para finalizar, se abordan conceptos básicos de inteligencia artificial, como la clasificación y la regresión para continuar con implementaciones de inteligencia artificial, lo que permitirá a los lectores generar sus propios algoritmos de inteligencia artificial para el aprendizaje por refuerzo, los chatbots, la detección de rostros y reconocimiento facial, el procesamiento del habla y el lenguaje natural y el análisis de datos.
Author: CESAR PEREZ LOPEZ
Publisher: CESAR PEREZ
ISBN:
Category : Mathematics
Languages : es
Pages : 307
Get Book Here
Book Description
MATLAB cuenta con la herramienta Deep Learning Toolbox que proporciona algoritmos, funciones y aplicaciones para crear, entrenar, visualizar y simular redes neuronales. Puede realizar clasificación, regresión, agrupamiento, reducción de dimensionalidad, pronóstico de series temporales y modelado y control de sistemas dinámicos. Las redes neuronales dinámicas son adecuadas para la predicción de series temporales. Puede utilizar la app Neural Net Time Series para resolver diferentes tipos de problemas de series temporales. Generalmente es mejor comenzar con la GUI y luego usarla para generar automáticamente scripts de línea de comandos. Antes de utilizar cualquiera de los métodos, el primer paso es definir el problema seleccionando un conjunto de datos. Cada GUI tiene acceso a muchos conjuntos de datos de muestra que puede utilizar para experimentar con la caja de herramientas. Si tiene un problema específico que desea resolver, puede cargar sus propios datos en el espacio de trabajo. Con MATLAB es posible resolver tres tipos diferentes de problemas de series temporales. En el primer tipo de problema de series de tiempo, se busca predecir valores futuros de una serie de tiempo y(t) a partir de valores pasados de esa serie de tiempo y valores pasados de una segunda serie de tiempo x(t). Esta forma de predicción se denomina red autorregresiva no lineal con entrada exógena (externa), o NARX. En el segundo tipo de problema de series temporales, sólo hay una serie involucrada. Los valores futuros de una serie temporal y(t) se predicen sólo a partir de valores pasados de esa serie. Esta forma de predicción se llama autorregresiva no lineal o NAR. El tercer problema de series de tiempo es similar al primer tipo, en el sentido de que están involucradas dos series, una serie de entrada (predictores) x(t) y una serie de salida (respuestas) y(t). Este libro desarrolla los métodos de predicción con series temporales a través de redes neuronales con MATLAB.
Author: Jordi Torres
Publisher: Alpha Editorial
ISBN: 9587786416
Category : Computers
Languages : es
Pages : 364
Get Book Here
Book Description
La inteligencia artificial permite la innovación y el cambio en todos los aspectos de la vida moderna. La mayoría de los avances actuales se basan en Deep Learning, un área de conocimiento muy madura que permite a las empresas desarrollar y poner en producción sus algoritmos de aprendizaje automático y usar los algoritmos preentrenados ofrecidos por las principales plataformas Cloud.
Author: Victor Viera Balanta
Publisher:
ISBN: 9783659650994
Category :
Languages : es
Pages : 240
Get Book Here
Book Description
Author: MEENACHISUNDARAM.M
Publisher: MEENACHI SUNDARAM
ISBN:
Category : Computers
Languages : es
Pages : 277
Get Book Here
Book Description
PYTHON CON CIENCIA DE DATOS Por M. Meenachi Sundaram TABLA DE CONTENIDO PYTHON CON CIENCIA DE DATOS.. 13 CAPÍTULO 1: CONCEPTOS ESTADÍSTICOS.. 13 1. Población y muestra. 13 2. Distribución normal 14 3. Medidas de tendencia central 16 4. Varianza y desviación estándar 16 5. Covarianza y correlación. 17 6. Teorema del límite central 19 7. Valor p. 20 8. Valor esperado de variables aleatorias. 22 9. Probabilidad condicional 24 10. Teorema de Bayes. 25 5 CONCEPTOS ESTADÍSTICOS IMPORTANTES PARA CADA CIENTÍFICO DE DATOS 26 1. Estadísticas descriptivas. 26 2. Distribuciones de probabilidad. 28 3. Reducción de la dimensionalidad. 30 4. Submuestreo y sobremuestreo. 32 5. Estadísticas bayesianas. 34 MÓDULO DE ESTADÍSTICAS DE PYTHON.. 35 Métodos estadísticos. 35 CAPÍTULO 2: PROBABILIDAD.. 36 Python, números aleatorios y probabilidad. 36 Números aleatorios con Python. 37 Números aleatorios que satisfacen la condición de suma a uno. 41 Generación de cadenas o contraseñas aleatorias con Python. 42 Números enteros aleatorios. 43 Elecciones aleatorias con Python. 47 Muestras aleatorias con Python. 50 Números verdaderamente aleatorios. 52 Opciones aleatorias ponderadas. 55 CAPÍTULO 3: DESVIACIÓN ESTÁNDAR.. 62 Método statistical.stdev() de Python. 62 Definición y uso. 62 Sintaxis. 62 Valores de los parámetros. 63 Parámetro. 63 Descripción. 63 Datos. 63 Obligatorio. Los valores de datos que se utilizarán (pueden ser cualquier secuencia, lista o iterador) 63 Barra X.. 63 Opcional. La media de los datos proporcionados. Si se omite (o se establece en Ninguno), la media se calcula automáticamente. 63 Detalles técnicos. 63 Valor de retorno: 63 CAPÍTULO 4: SESGO Y VARIANZA.. 64 ¿Qué son el sesgo y la varianza?. 64 Sesgo y varianza usando Python. 64 CAPÍTULO 5: MÉTRICAS DE DISTANCIA.. 68 Comprensión de las métricas de distancia utilizadas en el aprendizaje automático. 68 Estudiaremos: 68 ¿Qué son las métricas de distancia?. 68 Tipos de métricas de distancia en el aprendizaje automático. 69 Distancia euclidiana. 71 Fórmula para la distancia euclidiana. 72 Distancia de Manhattan. 74 Fórmula para la distancia de Manhattan. 74 Distancia de Minkowski 76 Fórmula para la distancia de Minkowski 76 Distancia de Hamming. 78 Conclusión. 80 Agujas. 80 CAPÍTULO 6: ANÁLISIS DE VALORES ATRÍPICOS.. 82 La detección de valores atípicos es el proceso de identificar puntos de datos que tienen valores extremos en comparación con el resto de la distribución. Conozca tres métodos de detección de valores atípicos en Python. 82 ¿Qué es la detección de valores atípicos?. 82 Beneficios de la detección de valores atípicos. 82 Métodos para la detección de valores atípicos en Python. 83 Prerrequisito para la detección de valores atípicos: lectura de datos. 84 Uso de diagramas de caja para la detección de valores atípicos. 84 Uso de bosques de aislamiento para la detección de valores atípicos. 88 Uso de OneClassSVM para la detección de valores atípicos. 90 Dominando la detección de valores atípicos. 90 Parte aislada. 91 ¿Qué son los valores atípicos?. 92 ¿Cuándo son peligrosos los valores atípicos?. 93 ¿Qué estadísticas se ven afectadas por los valores atípicos?. 97 ¿Cuándo eliminar o mantener los valores atípicos?. 98 Tabla de contenido. 100 ¿Cómo tratar los valores atípicos?. 100 Guarnición. 100 Tapado. 100 Discretización. 102 Para distribuciones normales. 102 Para distribuciones sesgadas. 102 Para otras distribuciones. 102 Cómo detectar y eliminar esquemas en Python. 103 Tratamiento de la puntuación Z.. 103 Filtrado basado en IQR.. 106 Método de percentiles. 109 Conclusión. 113 Preguntas frecuentes. 114 CAPÍTULO 7: TRATAMIENTOS DE VALORES FALTANTES.. 116 Cómo manejar los datos faltantes. 116 ¿Por qué completar los datos faltantes?. 116 ¿Cómo saber si los datos tienen valores faltantes?. 118 Diferentes métodos para tratar los datos faltantes. 120 1. Eliminar la columna con datos faltantes. 121 2. Eliminar la fila con datos faltantes. 123 3. Completar los valores faltantes – Imputación. 125 4. Otros métodos de imputación. 128 5. Imputación con una columna adicional 129 6. Relleno con un modelo de regresión. 131 Conclusión. 135 Preguntas frecuentes. 135 Pandas: Reemplazar valores NaN por cero en una columna. 136 1. Ejemplo de sustitución de NaN por cero. 136 2. Reemplace los valores NaN por cero en el DataFrame de pandas. 138 3. Reemplace los valores NaN por cero en una o varias columnas. 138 4. Reemplace los valores NaN por ceros usando replace() 139 5. Uso de DataFrame.replace() en todas las columnas. 140 6. Ejemplo completo para reemplazar valores NaN por ceros en una columna. 141 CAPÍTULO 8: CORRELACIÓN.. 143 NumPy, SciPy y pandas: correlación con Python. 143 Correlación. 143 Ejemplo: Cálculo de correlación de NumPy. 147 Ejemplo: Cálculo de correlación de SciPy. 149 Ejemplo: Cálculo de correlación de pandas. 151 Esta página y la siguiente son sólo de referencia. 153 Correlación lineal 153 Coeficiente de correlación de Pearson. 153 Regresión lineal: implementación de SciPy. 155 Correlación de Pearson: implementación de NumPy y SciPy. 159 Correlación de Pearson: implementación de pandas. 162 Correlación de rangos. 167 Rango: Implementación de SciPy. 169 Correlación de rangos: implementación de NumPy y SciPy. 170 Correlación de rangos: implementación de pandas. 173 Visualización de la correlación. 175 Gráficos XY con una línea de regresión. 176 Mapas de calor de matrices de correlación. 178 Conclusión. 180 CAPÍTULO 9: MÉTRICAS DE ERROR (MEDIDAS DE ERROR) 181 Error cuadrático medio. 181 Error absoluto medio. 181 Error porcentual absoluto medio. 181 Medición de errores de regresión con Python. 182 Medición de errores de regresión. 182 Seis métricas de error para medir errores de regresión. 184 Error absoluto medio (EMA) 184 Error porcentual absoluto medio (MAPE) 185 Error cuadrático medio (MSE) 186 Error absoluto medio (MedAE) 186 Error cuadrático medio (RMSE) 187 Error porcentual absoluto medio (MdAPE) 187 Implementación de métricas de error de regresión en Python: predicción de series temporales 188 Paso n.° 1: Generar datos de series temporales sintéticas. 189 CAPÍTULO 10: REGRESIÓN.. 196 Regresión lineal 197 Regresión logística. 197 Regresión polinómica. 198 Regresión de cresta. 198 Regresión de lazo. 200 Aplicaciones de regresión. 200 Diferencia entre regresión y clasificación en minería de datos. 200 Regresión. 202 CAPÍTULO 11: APRENDIZAJE AUTOMÁTICO.. 203 Aprendizaje automático, aprendizaje profundo y redes neuronales. 203 Métodos de aprendizaje automático. 205 Aprendizaje automático supervisado. 206 Aprendizaje automático no supervisado. 206 Aprendizaje semisupervisado. 208 Algoritmos comunes de aprendizaje automático. 208 Casos de uso de aprendizaje automático en el mundo real 209 Estructura de datos para el aprendizaje automático. 210 ¿Qué es la estructura de datos?. 211 Tipos de estructura de datos. 211 1. Estructura de datos lineal: 212 2. Estructuras de datos no lineales. 215 Estructura de datos de matriz dinámica: 218 ¿Cómo se utiliza la estructura de datos en el aprendizaje automático?. 218 Conclusión. 219 APRENDIZAJE SUPERVISADO.. 220 Aprendizaje automático supervisado. 220 ¿Cómo funciona el aprendizaje supervisado?. 220 Pasos involucrados en el aprendizaje supervisado: 222 Tipos de algoritmos de aprendizaje automático supervisados: 222 1. Regresión. 223 2. Clasificación. 223 Ventajas del aprendizaje supervisado: 225 Desventajas del aprendizaje supervisado: 225 Regresión lineal 225 ¿Cómo funciona?. 226 R de Relación. 235 Predecir valores futuros. 236 ¿Mal ajuste?. 237 Regresión logística. 241 ¿Cómo funciona?. 242 Probabilidad. 244 Función explicada. 244 Resultados explicados. 247 Cómo guardar un modelo de aprendizaje automático. 247 Dos formas de guardar un modelo desde scikit-learn: 248 APRENDIZAJE NO SUPERVISADO.. 255 Aprendizaje automático no supervisado. 255 ¿Por qué utilizar el aprendizaje no supervisado?. 256 Funcionamiento del aprendizaje no supervisado. 256 Tipos de algoritmos de aprendizaje no supervisado: 257 Algoritmos de aprendizaje no supervisado: 258 Ventajas del aprendizaje no supervisado. 259 Desventajas del aprendizaje no supervisado. 259 Aprendizaje supervisado vs. no supervisado. 260 Preparación de datos para el aprendizaje no supervisado. 261 Agrupamiento. 263 Agrupamiento jerárquico. 266 Diferencia entre K-Means y agrupamiento jerárquico. 270 Agrupamiento de t-SNE.. 270 Agrupamiento DBSCAN.. 272 OTROS ALGORITMOS DE APRENDIZAJE AUTOMÁTICO (ML) 275 ACERCA DEL AUTOR.. 276
Author: Carlos Pineda Pertuz
Publisher: Ediciones de la U
ISBN: 9587923154
Category : Computers
Languages : es
Pages : 342
Get Book Here
Book Description
Es una herramienta de apoyo y de consulta para toda aquella persona interesada en dominar los fundamentos del aprendizaje automático y profundo, a tal punto que le permita aprender lo necesario para desarrollar sus propios modelos de aprendizaje aptos para realizar predicciones con base en los datos, para ello el autor hará uso en la mayoría de los casos de explicaciones teóricas y prácticas, que permitan al lector afianzar sus ideas y fortalecer su aprendizaje. El libro se encuentra dividido en dos partes la primera enfocada en el machine learning y sus diferentes algoritmos de regresión y clasificación, clustering, entre otros. La segunda parte comprende varias técnicas de deep learning donde estudiaremos diferentes arquitecturas de redes neuronales como: redes densamente conectadas, redes convolucionales y redes recurrentes.
