El libro está dirigido tanto a alumnos que siguen un Curso de especialización en Inteligencia Artificial y Big Data como a profesionales del sector. Comienza clasificando los sistemas, herramientas, técnicas y algoritmos o modelos aplicados al Aprendizaje Automático. A continuación, se tratan las técnicas de aprendizaje supervisado, sus fases y plataformas, así como los algoritmos y modelos más importantes. Se desarrollan las técnicas de regresión con sus fases de identificación, estimación, validación (diagnosis) y predicción. Se presentan los métodos especiales de regresión como PLS, LARS, LASSO, ELASTIC NET, RANSAC, THEIL, HUBERT, KERNEL RIDGE REGRESSION (KRR), SUPPORT VECTOR REGRESSION (SVR) y STOCHASTIC GRADIENT DESCENDT (SGD) entre otros. Asimismo, se tratan las técnicas de aprendizaje supervisado enfocadas a la clasificación o segmentación como los Modelos Logit y Probit, los Modelos Lineales Generalizados, los Árboles de Decisión, los Modelos de Análisis Discriminante, los Modelos SVM (Support Vector Machine), lo modelos kNN (Vecino más Cercano) y los Modelos SLRM (Respuesta de Autoaprendizaje). Todas las técnicas citadas anteriormente se ilustran con ejemplos y se resuelven con el software de Machine Learning adecuado, incluyendo Python, R, IBM SPSS Modeler y SAS Enterprise Miner. A continuación se abordan las técnicas de aprendizaje no supervisado como la Reducción de la Dimensión mediante Análisis de Componentes Principales y Análisis Factorial. Entre las técnicas de aprendizaje no supervisado para la clasificación y segmentación se desarrolla el Análisis Clúster tanto jerárquico como no jerárquico, algoritmos de detección de anomalías y Reglas de Asociación. Para todas las técnicas se presentan ejemplos significativos que se resuelven con el software más utilizado en estos casos, como R e IBM SPSS Modeler. Finalmente, se profundiza en los Modelos de Redes Neuronales, tanto para técnicas de aprendizaje supervisado como el ajuste de modelos predictivos (Perceptrón Multicapa y Red de Base Radial) como para técnicas de análisis no supervisado como el análisis clúster (Redes de Kohonen). Se desarrollan también las Redes Neuronales Bayesianas y se introducen las técnicas de Deep Learning y las Redes Neuronales Convolucionales. Se presentan ejemplos totalmente resueltos con software visual como es el caso de IBM SPSS Modeler. Se finaliza con las técnicas de valoración y comparación de modelos. CONTENIDO Capítulo 1. Inteligencia artificial 1.1 Introducción a la inteligencia artificial: características y aplicaciones 1.2 Inteligencia artificial débil o Narrow 1.3 Inteligencia artificial fuerte Capítulo 2. Machine Learning 2.1 Clasificación de los sistemas de aprendizaje automático: supervisado y no supervisado 2.2 Algoritmos o modelos aplicados al aprendizaje automático 2.3 Procedimientos de Machine Learning 2.4 Herramientas de aprendizaje automático 2.5 Aplicaciones del Machine Learning Capítulo 3. Algoritmos y técnicas de aprendizaje supervisado 3.1 Elementos y herramientas de aprendizaje supervisado 3.2 Datos etiquetados, variables de entrada y etiquetas de salida 3.3 Plataformas de Machine Learning 3.4 Fases del aprendizaje automático Capítulo 4. Aprendizaje supervisado. Modelo predictivo básico de regresión lineal múltiple. Ejemplos con R 4.1 Regresión lineal múltiple 4.2 Hipótesis en el modelo de regresión múltiple 4.3 Estimación por MCO (mínimos cuadrados ordinarios) 4.4 Estimación por máxima verosimilitud 4.5 Validación en el modelo MCO 4.6 Predicción en el modelo MCO 4.7 Modelos de regresión óptimos 4.8 Diagnosis de los residuos 4.9 R y el trabajo básico con el modelo de regresión múltiple Capítulo 5. Aprendizaje supervisado. Validación en el modelo de regresión múltiple: multicolinealidad, autocorrelación y heteroscedasticidad. Ejemplos con R 5.1 Diagnosis: el problema de la autocorrelación 5.2 Diagnosis: indicadores y contrastes para detección de la autocorrelación 5.3 Diagnosis: el problema de la heteroscedasticidad 5.4 Diagnosis: indicadores y contrastes de detección de la heteroscedasticidad 5.5 Tratamiento de la heteroscedasticidad 5.6 Diagnosis: el problema de la multicolinealidad 5.7 Diagnosis: normalidad de los residuos 5.8 Diagnosis: no linealidad y errores de especificación en el modelo 5.9 Diagnosis: problemas de exogeneidad y regresores estocásticos 5.10 Diagnosis: el problema de las observaciones influyentes 5.11 Multicolinealidad, autocorrelación, heteroscedasticidad y valores influyentes a través de R 5.11.1 Ajustando modelos de regresión con menús en R Capítulo 6. Aprendizaje supervisado. Validación: multicolinealidad en el modelo de regresión lineal. Métodos PLS y Ridge Regression. Ejemplos con R 6.1 Multicolinealidad en el modelo predictivo de regresión lineal 6.2 Mínimos cuadrados parciales. Método PLS 6.3 El método Ridge Regression de la regresión en cadena Capítulo 7. Aprendizaje supervisado. Modelos lineales generalizados. Ejemplos con R 7.1 Aprendizaje supervisado: modelo lineal generalizado 7.2 Modelos de variable dependiente limitada y recuento: Logit, Probit, Poisson y binomial negativa 7.3 Distribuciones de la familia exponencial 7.4 Tratamiento de los modelos lineales generalizados a través de R 7.5 Tratamiento de los modelos lineales generalizados en R a través de menús Capítulo 8. Aprendizaje supervisado. Modelos Logít y Probit. Modelos de recuento. Ejemplos con R 8.1 Aprendizaje supervisado. Modelos predictivos de variable dependiente limitada 8.2 Aprendizaje supervisado: modelos de elección discreta 8.3 Aprendizaje supervisado: modelos de elección discreta binaria 8.4 Aprendizaje supervisado: modelos de elección múltiple 8.5 Aprendizaje supervisado: modelos Logit y Probit ordenados 8.6 Aprendizaje supervisado: modelos de datos de recuento 8.7 Aprendizaje supervisado: modelos Logit y Probit a través de R 8.8 Aprendizaje supervisado: modelos Logit y Probit binarios a través de menús en R 8.9 Aprendizaje supervisado: modelo Logit multinomial a través de menús en R 8.10 Aprendizaje supervisado: modelos logit y Probit multinomiales ordenados a través de menús en R Capítulo 9. Aprendizaje supervisado con Python. La biblioteca Scikit-Learn. Regresión lineal múltiple 9.1 Scikit-Learn 9.2 Regresión lineal. Mínimos cuadrados ordinarios (OLS). Comando linearregression 9.3 Regresión lineal simple con Python 9.4 Predicción con regresión lineal simple 9.5 Regresión lineal múltiple con Python 9.6 Predicción de regresión lineal múltiple 9.7 Gráfico de la regresión simple Capítulo 10. Aprendizaje supervisado a través de Python: Ridge Regression, ARD regression, validación y regresión bayesiana con Scikit Learn 10.1 Tratamiento de la multicolinealidad a través de la Ridge Regression 10.2 Usando la validación cruzada 10.3 Transformación de objetivos y Ridge Regression 10.4 Regresión bayesiana 10.5 Ejemplo completo de regresión OLS y regresión bayesiana con predicciones 10.6 Determinación automática de la relevancia – Ard Regression Capítulo 11. Aprendizaje supervisado con Python. Lasso regression y Elastic Net Regression con Scikit Learn. 11.1 Regresión del lazo (Lasso Regression) 11.2 La regresión del lazo en Scikit Learn 11.3 Usando la validación cruzada 11.4 Lasso multitarea 11.5 Regresión Elastic Net 11.6 Elastic Net Multitarea (Multitask Elastic Net) 11.7 Regresión Lasso Lars Capítulo 12. Aprendizaje supervisado con Python. Regresión robusta, valores atípicos y errores en modelos. Regresiones RANSAC, THEIL-SEN y HUBER 12.1 Regresión robusta: valores atípicos y errores de modelización 12.2 RANSAC: Random Sample Consensus 12.3 Estimador Theil-Sen: estimador de base mediática generalizada 12.4 Regresión de Huber Capítulo 13. Aprendizaje supervisado con Python. Kernel Ridge Regression (KRR), Support Vector Regression (SVR) y Stochastic Gradient Descend (SGD) 13.1 Kernel Ridge Regression 13.2 Nyström Kernel Ridge Regression 13.3 Support Vector Regression (SVR) 13.4 Comparación de Kernel Ridge Regression (KRR) y Support Vector Regression (SVR) 13.5 Descenso de gradiente estocástico - SGD¶ Capítulo 14. Aprendizaje supervisado a través de IBM SPSS MODELER 14.1 Introducción 14.2 Técnicas de aprendizaje supervisado con IBM SPSS MODELER 14.3 El nodo discriminante: modelos de análisis discriminante 14.4 Nodo KNN. Modelos de vecinos más próximos 14.5 Nodo SVM. Modelos de máquina de vectores de soporte 14.6 Nodo SLRM. Modelos de respuesta de autoaprendizaje 14.7 Árboles de decisión 14.8 Árboles de decisión con IBM SPSS MODELER Capítulo 15. Aprendizaje no supervisado. Técnicas y herramientas 15.1 Técnicas de aprendizaje no supervisado 15.2 Algoritmos de aprendizaje no supervisado 15.3 Fases del aprendizaje no supervisado 15.4 Plataformas para el aprendizaje no supervisado Capítulo 16. Aprendizaje no supervisado. Reducción de la dimensión. Ejemplos con R 16.1 Transformación de datos mediante técnicas de reducción de la dimensión 16.2 Componentes principales 16.3 Análisis factorial 16.4 análisis de componentes principales a través de R 16.5 Componentes principales a través de comandos 16.6 Análisis factorial a través de R 16.7 Análisis factorial a través de comandos Capítulo 17. Aprendizaje no supervisado. Análisis clúster. Ejemplos a través de R 17.1 El análisis clúster 17.2 Clústeres jerárquicos, secuenciales, aglomerativos y exclusivos (S.A.H.N) 17.3 El dendograma en el análisis clúster jerárquico 17.4 Análisis clúster no jerárquico 17.5 Análisis clúster jerárquico a través de R 17.6 Análisis clúster a través de comandos 17.7 Análisis clúster no jerárquico a través de R Capítulo 18. Aprendizaje no supervisado a través de IBM SPSS MODELER 18.1 Técnicas de aprendizaje no supervisado con IBM SPSS MODELER 18.2 Reglas de asociación 18.3 Reglas de asociación en IBM SPSS. El nodo a priori 18.4 Reglas de asociación en IBM SPSS MODELER. El nodo CARMA 18.5 Componentes principales y análisis factorial. El nodo factor/PCA Capítulo 19. Modelos de redes neuronales 19.1 Descripción de una red neuronal 19.2 Redes neuronales y ajuste de modelos predictivos (aprendizaje supervisado) 19.3 Aprendizaje en las redes neuronales 19.4 Funcionamiento de una red neuronal 19.5 Redes neuronales con IBM SPSS MODELER 19.6 Clustering mediante redes neuronales (aprendizaje no supervisado) 19.7 Análisis clúster con redes neuronales con IBM SPSS MODELER: nodo Kohonen 19.8 Aprendizaje profundo o Deep Learning 19.9 Redes neuronales convolucionales Capítulo 20. Validación de modelos 20.1 Herramientas de validación de modelos 20.2 Ajuste y validación de un modelo predictivo de red neuronal con SPSS
- ISBN: 9788419034076
- Editorial: GARCETA GRUPO EDITORIAL
- Encuadernacion: Rústica
- Páginas: 544
- Fecha Publicación: 01/09/2022
- Nº Volúmenes: 1
- Idioma: