Biblioteca Instituto Técnico Superior Comunitario

El libro incluye un CD-ROM con uno de los paquetes software más utilizados, el sistema WEKA, de amplia utilización en el mundo del Machine Learning.

Contiene bibliografía: páginas 483

Introducción general página, 1 / Introducción general, 5 / Organización del libro, 6 / Paradigmas de aprendizaje automático, 9 / Introducción, 9 / Validación, 11 / Búsqueda en el espacio de modelos, 14 / Bibliografía: libros relacionados, 16 / Técnicas de clasificación supervisada, 19 / Algoritmos de clasificación por vecindad, 23 / Introducción, 23 / Regla del vecino más próximo, 25 / Regla de los K vecinos próximos (K-NN) 25 / Variantes del algoritmo K-NN, 26 / Clasificador de la distancia mínima, 27 / Pesado de casos y de atributos, 30 / Reducción del conjunto de entrenamiento, 33 / Bibliografía sobre clasificación basada en la distancia, 38 / Arboles de clasificación, 41 / Descripción general de los árboles de clasificación, 42 / Selección de la división, 46 / Bibliografía sobre Arboles de clasificación, 56 / Aprendizaje de reglas de decisión, 59 / Introducción, 59 / El algoritmo AQ, 61 / El algoritmo CN2, 61 / El dominio de aplicación, 68 / Bibliografía sobre Inducción de Reglas, 74 / Redes Bayesianas, 77 / Introducción, 77 / Inferencia, 80 / Aprendizajes de redes bayesianas, 88 / Aprendizaje paramétrico, 88 / Aprendizaje estructural, 91 / Aprendizaje de árboles, 91 / Aprendizaje de poliárboles, 92 / Aprendizaje de redes, 96 / Aprendizaje, 97 / Lecturas adicionales, 98 / Bibliografía sobre Redes Bayesianas, 98 / Introducción a las Redes Neurales, 101 / Introducción, 101 / El perceptrón simple, 103 / Regla de adaptación del perceptrón, 104 / Neuronas lineales y el algoritmo LMS, 104 / Ajuste de pesos en la capa de salida, 112 / Ajuste de pesos en la capa oculta, 113 / Memoria Asociativa y Redes de Hopfield, 116 / Redes Auto-organizadas, 122 / Algoritmo para aprendizaje competitivo, 125 / Comentarios finales y síntesis histórica, 129 / Modelos Ocultos de Markov, 133 / Descripción del modelo, 134 / Arquitectura de los HMM, 135 / Modelos ergódicos, 136 / Tipos de HMM, 136 / HMM discretos, 136 / HMM continuos, 136 / HMM semicontinuos, 137 / Algunas consideraciones previas, 139 / Definiciones, 139 / Notación, 140 / Proposiciones, 140 / El problema de la evaluación,141 / Algoritmo Forward-Backward, 141 / Principio de optimalidad de Bellman, 145 / Algoritmo de Viterbi, 147 / Estimación de los parámetros, 149 / Algoritmo EM, 150 / Algoritmo de reestimación de Baum-Welch, 151 / , 157 / Algoritmo de Viterbi, 157 / Métodos Kernel y Máquinas de Vectores Soporte, 163 / Introducción, 163 / Kernels, 164 / La función Kernel, 164 / Métodos Kernel, 169 / Máquinas de Vectores Soporte, 174 / Vectores soporte para regresión, 191 / Lecturas adicionales, 196 / Bibliografía sobre SVM, 198 / Programación Lógica Inductiva (ILP), 204 / Restricciones y Técnicas recientes, 215 / Aplicaciones, 216 / Bibliografía sobre ILP, 216 / Otros paradigmas dentro del Aprendizaje Automático, 223 / Aprendizaje por refuerzo, 227 / Aprendizaje de la representación, 256 / Clasificación: Análisis de clusters (Clustering), 261 / Distancias para variables continuas, 264 / Similaridades para variables binarias, 264 / Métodos jerárquicos, 268 / Dendrograma, jerarquía indexada y ultramétrica, 269 / Algoritmo de clasificación (AC), 273 / Aplicaciones de los métodos jerárquicos, 284 / Bibliografía sobre Clasificación no Supervisada, 292 / Algoritmos Evolutivos, 295 / Introducción, 95 / Un Algoritmo Genético en acción, 296 / Función Objetivo, 298 / Selección, 298 / Representaciones, 298 / Operadores de Variación: Mutación, 301 / Operadores de Variación: Cruzamiento, 303 / Conclusiones, 305 / Bibliografía sobre Algoritmos Evolutivos, 306 / Análisis Discriminantes y Regresión Logística, 309 / Introducción, 309 / Análisis Discriminantes Descriptivo, 310 / Determinación de las dimensiones de discriminación, 315 / Análisis Discriminantes Predictivo, 328 / Discriminación bajo hipótesis de normalidad, 330 / Estimación de la regla Bayes, 331 / Regresión Logística, 335 / Discriminación de los grupos: Regresión Logística Binomial, 336 / Procedimiento de clasificación, 338 / Selección de variables, 340 / Criterios de selección de modelos, 342 / Algoritmos de selección de variables, 343 / Conceptos relacionados, 353 / Discretización de atributos continuos, 357 / Bibliografía sobre métodos de discretización, 360 / Descomposición en Valores Singulares, 363 / Fundamentos de LSI, 364 / Construcción de la matriz, 364 / Búsqueda semántica, 365 / Aplicaciones: Procedimiento del Lenguaje Natural, 367 / Aplicación a la categorización de documentos, 368 / Conclusiones, 371 / Bibliografía relacionada con LSI y Lenguaje Natural, 372 / Aspectos avanzados y de investigación, 375 / Combinación de clasificadores, 379 / Fundamentos teóricos, 380 / Métodos generales de construcción de conjuntos de clasificadores, 382 / Manipular conjunto de entrenamiento, 383 / Manipular los elementos de entrada, 383 / Manipular los elementos de salida, 384 / Voto mayoritario, 385 / Voto mayoritario ponderado, 385 / Voto bayesiano, 386 / Medidas de diversidad, 386 /Bagging, 387 / Boosting, 391 / Stacking, 393 / Meta decisión trees, 393 / Autores recomendados, 393 / Clasificadores Híbridos, 397 / Multiclasificador híbrido para el comportamiento de cruzar puertas: Bayes-nearest, 397 / Planteamiento del problema, 398 / Estructura de la res bayesiana, 399 / Resultados preliminares, 401 / Validación del multiclasificador híbrido Bayes-nearest, 406 / Aspectos avanzados en Arboles de clasificación, 409 / Introducción, 409 / Aumentar la capacidad discriminante, 409 / Combinación de árboles, 413 / Arboles consolidados: árboles basados en múltiples submuestras sin renunciar a la explicación, 414 / Algoritmo de construcción de árboles consolidados, 414 / Una aplicación de las SVM, 427 / Introducción, 427 / Aprender a ordenar es útil, 428 / Cómo se puede aprender a ordenar,428 / Aplicaciones, 438 / Medición del ritmo cardíaco fetal usando Análisis de Componentes Independientes (ICA), 447 / Introducción, 447 / Naturaleza del problema. El caso del cocktail party, 447 / Consideraciones preliminares. El modelo ICA lineal, 448 / Medidas de distancia a la densidad normal, 450 / Kurtosis, 451 / Entropía, 454 / Técnicas avanzadas de ICA, 457 / Algoritmo Genético para el pesado de atributos, 461 / Reconocimiento de paneles de salidas de emergencias, 461 / Sistema de percepción activa, 469 / Resultados experimentales del sistema de visión activa, 469 / Bibliografía relacionada, 470 / Aplicaciones Software para Aprendizaje Automático: WEKA, 473 / Una aproximación al software WEKA, 477 / Generalidades acerca de WEKA, 478 / Proyectos: seis tareas básicas para la Minería de Datos, 481 / Bibliografía: software disponible, 483.

El objetivo del aprendizaje automático es conseguir que una maquina (habitualmente una computadora) sea capaz de utilizar datos o experiencias pasadas para resolver un problema que se le plantee. Este libro tiene como objetivo presentar de forma comprensiva los métodos que se utilizan para abordar este tipo de problemas, cubriendo la mayoría de los paradigmas o métodos que se utilizan. Todos los métodos son explicados desde un punto de vista didáctico, tratando de que alguien no familiarizado con ellos sea capaz de entenderlos. Existen por otro lado una serie de capítulos dedicados a profundizar sobre aspectos avanzados de algunos métodos, y se presentan también algunas aplicaciones reales.
Esta elaborado tanto para personas que se inician en el estudio del aprendizaje automático como a las que quieran profundizar en algunos de los aspectos que se presentan.