Inteligencia artificial aplicada a Robótica y Automatización
- Sinopsis
- Índice
La inteligencia artificial (IA) es la ciencia y la ingeniería de las máquinas que actúan de manera inteligente, cuando son las máquinas capaces de tomar decisiones apropiadas en circunstancias inciertas y mejorar su comportamiento a partir de sus experiencias. La IA es una disciplina con un nivel de madurez muy alto. No se puede poner en tela de juicio su potencial, aplicabilidad e impacto en nuestra sociedad. Prácticamente todos en nuestras casas, lugares de trabajo o públicos, sin darnos cuenta, utilizamos dispositivos inteligentes que nos hacen la vida más fácil, amplían nuestras capacidades, y nos liberan de tareas peligrosas, engorrosas y cansadas.
En muchos países, la IA es un campo de investigación y aplicación con avances notorios. Esta tecnología horizontal contribuye al desarrollo sostenible de tales países. Constituye un espacio de grandes oportunidades para el desarrollo científico, pero, sobre todo, tecnológico e innovador para la apertura de nuevos mercados y negocios.
Hoy en día, la IA tiene un enorme impacto en diversas carreras profesionales como ingeniería en sistemas computacionales, licenciatura en informática y ciencias de la computación, electrónica, robótica, mecatrónica, control y automatización, entre otras.
Con este libro aprenderá diferentes aspectos de la IA:
o Aprendizaje de máquinas utilizando regresión lineal. Tipos de aprendizaje: supervisado, semisupervisado, no supervisado y por reforzamiento.
o Discriminación lineal y regresión logística.
o Tratamiento y acondicionamiento de imágenes, procesamiento de ruido y mejorado de contrastes. Así como tipos de filtros: promedio aritmético, promedio gaussiano y mediano.
o Reconocimiento de objetos, segmentación de imágenes, umbralado manual y automático, método Otsu y del mínimo error. Posfiltrado de imágenes y descripción de objetos, detección y reconocimiento.
o Perceptrón y su entrenamiento, arquitectura básica de RNA, modelos de neuronas artificiales, la ADELINE y la regla Delta, perceptrón sigmoidal. Perceptrón multicapa y redes neuronales convolucionales.
No espere más: hágase con su ejemplar, conozca todo sobre la IA y brinde a su vida una mejor calidad.
Juan Humberto Sossa Azuela: PhD por el Instituto Politécnico de Grenoble, Francia. Profesor-investigador del Instituto Politécnico Nacional y jefe del Laboratorio de Robótica y mecatrónica del CIC-IPN. Miembro del SNI-3. Con 37 años de experiencia en docencia e investigación. Presea Lázaro Cárdenas y el galardón honorífico universitario Enrique Díaz de León de la Universidad de Guadalajara. Cátedras patrimoniales en la Universidad Autónoma de Ciudad Juárez y Universidad del Valle de Atemajac.
Fernando Reyes Cortés: Licenciado en Electrónica (BUAP), tiene Maestría en Ciencias con Especialidad en Electrónica por el INAOE y es doctor en Ciencias en Electrónica y Telecomunicaciones por el CICESE. Asimismo, es miembro del Sistema Nacional de Investigadores, Nivel II. Premio Estatal Puebla y Mérito Civil en Ciencias de la Ingeniería por el Ayuntamiento de la Ciudad de Puebla.
Plataforma de contenidos interactivos XV
P´agina Web del libro XVI
Pr´ologo XVII
Cap´ıtulo 1
Introducci´on a la Inteligencia Artificial 1
1.1 Introducci´on 3
1.1.1 Diferencias del c´omputo IA y tradicional 4
1.2 Estado del arte sobre la IA 8
1.3 .Qu´e es la Inteligencia Artificial? 11
1.4 Tipos de Inteligencia Artificial 12
1.5 Breve historia de la IA 14
1.6 Aplicaciones comerciales de la IA 17
1.7 L´ıneas de investigaci´on 20
1.8 Retos actuales para la IA 22
1.9 .Por qu´e hoy es tiempo de la IA? 23
1.10 Enfoques de m´aquinas inteligentes 27
1.11 Aspectos importantes de la IA 29
1.11.1 ´Etica en el uso de la IA 30
1.11.2 Algunas estad´ısticas 30
1.12 Contenido del libro 32
1.13 Resumen 33
1.14 Problemas propuestos 35
Cap´ıtulo 2
Aprendizaje de m´aquinas: Regresi´on lineal 37
2.1 Introducci´on 39
2.2 Mec´anica del AM 41
2.3 Conceptos y definiciones b´asicas 43
2.4 Tipos de aprendizaje 57
2.4.1 Aprendizaje supervisado 57
2.4.2 Aprendizaje semi-supervisado 57
2.4.3 Aprendizaje no-supervisado 58
2.4.4 Aprendizaje por reforzamiento 58
2.5 Regresi・Lon lineal 59
2.6 Resumen 76
2.7 Problemas propuestos 76
Cap´ıtulo 3
Discriminaci´on lineal y regresi´on log´ıstica 81
3.1 Introducci´on 83
3.2 Discriminaci´on lineal 84
3.3 Regresi´on log´ıstica 100
3.4 Resumen 115
3.5 Problemas propuestos 116
Cap´ıtulo 4
Tratamiento de im´agenes 121
4.1 Introducci´on 123
4.2 Conceptos b´asicos sobre im´agenes 124
4.3 Acondicionamiento de im´agenes 130
4.3.1 Ruido en im´agenes 130
4.3.2 Algunos tipos de ruidos 131
4.4 Filtrado de im´agenes 133
4.4.1 Filtro promedio aritm´etico 133
4.4.2 Filtro promedio gaussiano 140
4.4.3 Filtro mediano 149
4.4.4 Mejorado de contraste en im´agenes 153
4.5 Resumen 158
4.6 Problemas propuestos 159
Cap´ıtulo 5
Reconocimiento de objetos 161
5.1 Introducci´on 163
5.2 Segmentaci´on de im´agenes 164
5.2.1 El problema de segmentaci´on de im´agenes 166
5.2.2 Segmentaci´on de im´agenes por umbralado 167
5.2.3 Selecci´on manual del umbral 168
5.2.4 Selecci´on autom´atica del umbral 169
5.2.5 M´etodo de Otsu 169
5.2.6 M´etodo del m´ınimo error 171
5.3 Postfiltrado de im´agenes segmentadas 173
5.3.1 Reducci´on de ruido en im´agenes segmentadas 174
5.3.2 M´etodo heur´ıstico para eliminar regiones 175
5.3.3 Etiquetado de componentes conectadas 175
5.3.4 M´etodo de dos pasadas que utiliza TE 177
5.4 Descripci´on de objetos 183
5.4.1 Rasgos descriptivos y sus propiedades 183
5.4.2 Rasgos globales y locales 184
5.4.3 Factor de compacidad y su c´alculo 185
5.4.4 Rasgos descriptivos con momentos geom´etricos 188
5.4.5 Invariantes a traslaciones: momentos centrales 189
5.4.6 Invariantes a rotaciones 191
5.4.7 Invariantes a cambios de escala 192
5.4.8 Invariantes traslaci´on, rotaci´on y escalamiento 193
5.4.9 Posici´on del objeto en el plano de trabajo 195
5.4.10 Rasgos estructurales: caracter´ısticas de Euler 198
5.4.11 Descripci´on de los objetos 201
5.5 Detecci´on y reconocimiento 203
5.5.1 Clasificadores de c´alculos de distancias 203
5.5.2 Clasificador de distancia m´ınima 205
5.5.3 Dise˜no del clasificador de distancia m´ınima 206
5.5.4 Clasificador de Mahalanobis 213
5.5.5 Clasificador estad´ıstico de Bayes 217
5.6 Resumen 226
5.7 Problemas propuestos 227
Cap´ıtulo 6
El perceptr´on y su entrenamiento 233
6.1 Introducci´on 235
6.2 Conceptos b´asicos 236
6.2.1 C´omputo neuronal 236
6.2.2 Modelos b´asicos de una neurona 238
6.2.3 Neurona con una entrada 241
6.2.4 Neurona con varias entradas 242
6.2.5 Ejemplos de funciones de transferencia 243
6.3 Arquitecturas b´asicas de RNA 244
6.3.1 Red de una capa de neuronas 244
6.3.2 Red con varias capas de neuronas 246
6.4 Modelos de neuronas artificiales 247
6.4.1 Unidad de umbralado l´ogico (UUL) 247
6.4.2 Separabilidad lineal entre clases 249
6.4.3 La UUL como separador lineal entre clases 251
6.4.4 Producto interno (forma algebraica) 252
6.4.5 Proyecci´on de un vector 253
6.4.6 UUL y separabilidad lineal 254
6.4.7 Aprendizaje en una RNA 256
6.4.8 Entrenamiento de una UUL 257
6.4.9 La regla de entrenamiento del perceptr´on 258
6.4.10 Robustez de la UUL ante ruido en las entradas 268
6.5 El perceptr´on 269
6.5.1 El perceptr´on de Rosenblatt 269
6.5.2 El perceptr´on est´andar 271
6.6 La ADELINE y la regla Delta 273
6.6.1 La neurona tipo ADELINE 273
6.6.2 La regla Delta 274
6.7 El perceptr´on sigmoidal 288
6.8 Resumen 301
6.9 Problemas propuestos 302
Cap´ıtulo 7
El perceptr´on multicapa y su entrenamiento 303
7.1 Introducci´on 305
7.2 El perceptr´on multicapa 305
7.2.1 El perceptr´on multicapa y la regla Delta 306
7.2.2 La regla Delta generalizada 306
7.2.3 Funci´on de la capa intermedia 321
7.2.4 Aceleramiento del proceso de entrenamiento 323
7.3 Redes neuronales convolucionales 325
7.4 Resumen 332
7.5 Problemas propuestos 333
Referencias a sitios Web 337
Referencias 343
Índice analítico 347
Valoraciones
No hay valoraciones aún.