Descripción
Deep Learning es, en gran medida, el causante de la revolución actual en el campo de la inteligencia artificial. Podría parecer una tecnología nueva, sin embargo, es esencialmente la evolución de las redes neuronales artificiales, que tienen más de 60 años en el área de la inteligencia artificial.
Si desea conocer el desarrollo de Deep Learning desde su origen, este es el libro indicado. Deep Learning, teorías y aplicaciones se ha concebido para dar una introducción general, incluyendo un barrido histórico por los progresos que dieron origen a esta tecnología. Parte de las redes neuronales clásicas como las monocapa y sigue por las superficiales hasta llegar a las profundas, como las redes neuronales convolucionales, ampliamente usadas en aplicaciones de procesamiento de imágenes.
Además, este libro hace un balance entre el contenido teórico y práctico. La parte conceptual le será útil para aproximarse a los conceptos teóricos básicos más relevantes. La parte experimental le servirá como apoyo a una aproximación práctica a esta tecnología, y lo logrará por medio de ejemplos resueltos sobre problemas reales en Deep Learning. Asimismo, para el componente práctico, se utilizan herramientas de amplio uso en la comunidad académica como el sistema de prototipado electrónico rápido Arduino y el software de simulación Matlab, por lo que gracias a esta lectura estará al día de las últimas tendencias tecnológicas.
Índice
1. Conceptos sobre redes neuronales artificiales y aprendizaje profundo
Introducción 1
Objetivos del capítulo 1
Inteligencia artificial, redes neuronales artificiales y Deep Learning 1
Breve reseña histórica 3
Red neuronal artificial 12
Arquitecturas de redes neuronales artificiales 13
El aprendizaje en las redes neuronales artificiales 16
Ejemplo de procesamiento de la información en una red neuronal 20
Aplicaciones 22
2. Los principios del aprendizaje profundo: redes monocapa
Introducción 27
Red Neuronal Perceptron 28
Red Neuronal Adaline (ADAptative LINear Element) 34
Limitaciones del Perceptron 37
Proyectos de aplicación 39
Ejercicios propuestos 54
3. Superando las dificultades con la propagación inversa en las redes
Introducción 59
Arquitectura general de un Perceptron multicapa superficial 60
Entrenamiento de un MLP superficial 61
Variaciones del gradiente descendente 67
Algoritmos de segundo orden para redes neuronales MLP 70
Consideraciones de diseño 77
Proyectos de aplicación 84
Ejercicios propuestos 106
4. Aprendizaje profundo (Deep Learning) o las redes de muchas capas
Introducción 117
Problemas para entrenar redes neuronales profundas 118
Reconocimiento de patrones convencional vs Deep Learning 125
Algoritmos de entrenamiento para redes profundas 126
Arquitecturas de Deep Learning 130
Proyectos de aplicación 139
Ejercicios propuestos 159
5. Redes convolucionales
Introducción 163
Breve introducción al procesamiento de imágenes 163
¿Cómo ve un computador? 164
Inspiración biológica de una CNN 167
Funcionamiento de una red convolucional 167
Arquitectura general de una CNN 177
Algunas arquitecturas de redes convolucionales representativas 179
Proyectos de aplicación 184
Ejercicios propuestos 213
Bibliografía 217
