Biblioteca Instituto Técnico Superior Comunitario

Incluye bibliografías páginas: 349- 369

Autores, 13 / prólogo, 21 / Aprendizaje :conceptos generales, 25 / introducción, 25 / CLASIFICACIÓN, 28 / REGRESIÓN, 31 / PROBABILIDAD, 32 / Probabilidad de Bayes, 40 / Probabilidad de variables continuas, 41 / Medias y varianzas, 45 / ESQUEMA GENERAL DEL APERENDIZAJE, 48 / Reconocimiento de patrones, 50 / Regresión, 52 / Estima de una densidad de probabilidad, 53 / AREAS RELACINADAS CON EL APRENDIZAJE, 54 / ORGANIZACIÓN DEL LIBRO, 56 / APRENDIDIZAJE ESTADISTICO, 59 / INTRODUCCION AGRUPAMIENTO BORROSO, 60 / CLASIFICADOR PARAMETRICO: BAYES, 65 / Caso normal multivariable: media desconocida, 65 / Caso normal multivariabe: media y matriz de covarianza desconocidas, 66 / Teoría de la decisión de Bayes: el clasificador Bayesiano, 67 / Medidas estadísticas, 70 / CLASIFICADOR NO PARAMETRICO: VENTANA DE PARZEN, 71 / APLICACIÓN PRACTICA, 74 / Clasificación de texturas en imágenes naturales, 74 / Método pseudoaleatorio de Balasko, 76 / Método de cuantificación vectorial no supervisado, 77 / NOTAS FINALES, 77 / COMBINACION DE CLASIFICADORES, 79 / INTRODUCCION, 79 / ASDPECTOS GENERALES EN LA COMBINACION DE CLASIFICADORES, 80 / Razones para la combinación, 80 / Tipos de combinaciones, 82 / COMBINACIONES NO ENTRENABLES, 83 / Votación mayoritaria, 84 / combinación de Bayes, 84 / Combinación mediante funciones, 85 / Combinación mediante operaciones de agregación fuzzy, 88 / Resumen de los métodos no entrenables, 89 / COMBINACIONES ENTRENABLES: INTEGRAL FUZZY, 91 / APLICACIÓN PRACTICA, 93 / Procesos comunes, 95 / Procesos diferenciados, 96 / NOTAS FINALES, 96 / REDES NURALES ARTIFICIALES, 99 / PRINCIPIOS BASICOS, 99 / Redes neuronales artificiales y su analogía con las neuronas biológicas, 100 / Elementos de una red neuronal, 101 / Ventajas de las redes neuronales, 104 / EL PROCESO DE APRENDIZAJE, 105 / Algoritmos de aprendizaje, 106 / Tipos de aprendizaje, 109 / REDES HACIA ADELANTE (FEED-FORWARD), 112 / El perceptrón, 112 / Adaline, 114 / El perceptrón multicapa, 116 / REDES COMPETITIVAS, 127 / MAPAS / Auto-organizados (SOM), 128 / APLICACIONES PRÁCTICAS, 135 / Notas finales, 136 / MÁQUINAS DE VECTORES SOPORTE, 139 / INTRODUCCION, 139 / SVM PARA CLASIFICAACION:CASO SEPARABLE, 143 / SVM EN CASOS NO SEPRARABLES, 151 / Función de decisión lineal con errores, 151 / Clasificadores no lineales, 153 / RESOLUCION DE UN PROBLEMA BICLASE CON FUNCIONES NUCLEO, 158 / PROBLEMAS MULTICLASE, 159 / APLICACIÓN PRACTICA, 160 / Etapa de procesamiento, 161 / Etapa de entrenamiento, 163 / Etapa de validación, 164 / NOTAS FINALES, 167 / REDES BAYESIANAS, 169 / INTTRODUCCION, 169 / Notación, 170 / Redes bayesianas, 171 / Modelo gráfico, 172 / Relaciones probabilísticas, 174 / ALGORITMOS DE INFERENCIA PROBABILISTICA, 175 / Algoritmos de inferencia exacta, 176 / Algoritmos de inferencia aproximada, 178 / APRENDIZAJE DE REDES BAYESIANAS, 180 / Aprendizaje paramétrico, 182 / aprendizaje estructural, 186 / APLICACIÓN PRACTICA, 190 / Descripción del problema, 191 / ejemplo básico, 192 / Datos de activación cerebral de Pittsburh, 194 / NOTAS FINALES, 196 / SIMULACIONES DE MONTE CARLO – I, 199 / INTRODUCCION, 199 / PRESENTACION FORMAL DEL PROBLEMA, 200 / INTEGRACION DE MONTE CARLO, 204 / METODOS AUXILIARES DE MUESTREO, 206 / Muestreo por rechazo (RS), 208 / Muestreo enfatizado (IS), 210 / Muestreo por pesos (WR), 214 / APLICACIÓN PRACTICA, 217 / NOTAS FINALES, 226 / SIMULACIONES DE MONTE CARLO – II, 229 / INTRODUCCION, 229 / METODOSDE SIMULACION POR CADENAS DE MARKOV (MCMC), 230 / fundamento del método, 230 / Cadena general de los métodos de Metropolis-Hastings y Gibbs, 232 / Agoritmos de Metropolis –Hastings (MH), 233 / Método de Gibbs, 239 / METODOA SECUENCIALES DE MONTE CARLO, 241 /Descripción del problema, 242 / Filtros de Partículas, (PF), 242 / COMPARATIVA, 247 / Métodos de simulación generales, 247 / Algoritmos, 250 / APLICACIÓN PRACTICA, 252 / NOTAS FINALES, 261 / EL APRENDIZAJE CON ALGORITMOS GENETICOS, 263 / INTRODUCCION, 263 / TIPOS DE APRENDIZAJE 264LOS ALGORITMOS GENETICOS FRENTE A OTRAS TECNICAS, 265 / APLICACIÓN DE LOS ALGORITMOS GENETICOS, 267 / Un ejemplo práctico : la cerveza, 267 / Algoritmos genéticos Multiobjetivo, 274 / GENERALIZACION DEL EJEMPLO PROPUESTO, 276 / Elementos básicos de un AG, 277 / Técnicas de selección, 280 / Técnicas de cruce, 283 / La mutación, 286 / Comparación entre el cruce y la mutación, 287 / Ajuste de parámetros, 287 / MANEJO DE RESTRICCIONES, 289 / NOTAS FINALES, 290 / APRENDIZAJE MEDIANTEARBOLES DE DECISION, 293 / INTRODUCCION, 293 / ARBOLES DE DECISION, 293 / Formalización, 295 / ALGORITMO ID3, 297 / Determinación del atributo de ramificación, 298 / Modo de generación, 299 / ARBOL DE DECISION FUZZY, 301 / Proceso de construcción del árbol borroso, 303 / APLICACIÓN PRACTICA, 304 / NOTAS FINALES, 307 / RAZONAMIENTO BASADO EN CASOS, 309 / INTRODUCCION, 309 / ESTRUCTURA PRINCIPAL Y PROBLEMÁTICA, 310 / Ciclo clásico de un CRB, 310 / Estructura de los Casos y Base de Casos, 312 / Recuperar, 312 / Reutilizar, 312 / Revisar, 313 / Recordar, 313 / APLICACIONES PRACTICAS, 314 / Un sistema CBR como ayuda en el procesamiento de imágenes, 314 / Un sistema CBR para la toma de decisiones, 321 / NOTAS FINALES, 327 / APRENDIZAJE POR REFUERZO, 329 / INTRODUCCION, 329 / APRENDIZAJE Y REFUERZO, 331 / BUSQUEDA EN EL ESPACIO DE POLITICAS, 332 / ASIGNACION DE CREDITO TEMPORAL, 333 / FUNCIONES E VALOR, 334 / LA PROPIEDAD DE MARKOV, 339 / ANALISIS DE COMPONENTES, 339 / Selección de acciones y exploración, 339 / Optimización, 341 / COCLUSIONES, 343 / APLICACIÓN PRACTICA, 344 / NOTAS FINALES, 344 / DESCARGAS DE APENDICES Y CÓDIGO, 347 / BIBLIOGRAFIA, 349 / INDICE ALFABETICO, 371

Los investigadores, estudiantes o profesionales de la industria involucrados en temas de Aprendizaje Automático encontraran en este libro una referencia de base sobre las tecnologías teórico-prácticas más avanzadas en dicho campo, proporcionadas por los diecinueve autores que han unido sus esfuerzos y elaborado sus contenidos.
El libro proporciona los recursos teóricos necesarios para abordar problemas de distinta naturaleza relativo al Aprendizaje Automático y establece las pautas concretas para su aplicación a diversos problemas reales, que proporcionan una visión práctica de los temas tratados y a la vez establecen los mecanismos para su ampliación a otras aplicaciones. Esta simbiosis teórico-práctica se concreta en la exposición de los conceptos teóricos, el diseño de métodos y procedimientos para su aplicación, la formulación de problemas y las estrategias para su solución. Todo ello, complementado con numerosos ejemplos ilustrativos, figuras y referencias bibliográficas.