TY - BOOK AU - Pajares Martinsanz, Gonzalo AU - Cruz García, Jesús Manuel de la AU - Ribeiro Seijas, Ángela AU - Andrés y Toro, Bonifacio de AU - Martín Gómez,David AU - Oyen,Diane AU - Besada Portas,Eva AU - Rivas Rodríguez,Javier AU - Vega Sánchez,Jesús Antonio AU - Conesa Muñoz,Jesús Antonio AU - López Orozco,José Antonio AU - Martín Hernández,José Antonio AU - García-Alegre Sánchez, María C. AU - Mata-García,María Guijarro AU - Santos Peñas,Matilde AU - Herrera Caro,Pedro Javier AU - Plis,Sergey M. AU - Dormido Canto,Sebastián AU - Burgos-Artizzu,Xavier Paolo TI - Aprendizaje automático / SN - 9789588675626 U1 - 006.31 21 PY - 2011/// CY - Bogotá : PB - Ra-Ma : , Ediciones de la U, KW - Aprendizaje automático KW - (Inteligencia artificial) KW - Teoría bayesiana de decisiones estadísticas KW - Método de Montecarlo KW - Toma de decisiones - Métodos estadísticos KW - Redes informático N1 - Autores / Prólogo / Aprendizaje: conceptos generales / Introducción / Clasificación / Regresión / Probabilidad / Probabilidad de Bayes / Probabilidad de variables continuas / Medias y Varianzas / Esquema general del aprendizaje / Reconocimiento de patrones / Regresión / Estima de una densidad de probabilidad / Áreas relacionadas con el aprendizaje / Organización del libro / Aprendizaje estadístico / Introducción / Agrupamiento borroso / Clasificador paramétrico: bayes / Caso normal multivariable: media desconocida / Caso normal multivariable: media y matriz de covarianza desconocidas / Teoría de la decisión de Bayes: el clasificador Bayesiano / Medidas estadísticas / Clasificador no paramétrico: ventana de Parzen / Aplicación práctica / Clasificación de texturas en imágenes naturales / Método pseudoaleatorio de Balasko / Método de cuantización vectorial no supervisado / Notas finales / Combinación de clasificadores / Introducción / Aspectos generales en la combinación de clasificadores / Razones para la combinación / Tipos de combinaciones / Combinaciones no entrenables / Votación Mayoritaria / Combinación de Bayes / Combinación mediante funciones / Combinación mediante operadores de agregación fuzzy / Resumen de los métodos no entrenables / Combinaciones entrenables: integral fuzzy / Aplicación práctica / Procesos comunes / Procesos diferenciados / Notas finales / Redes neuronales artificiales / Principios básicos / Redes neuronales artificiales y su analogía con las neuronas biológicas / Elementos de una red neuronal / Ventajas de las redes neuronales / El proceso de aprendizaje / Algoritmos de aprendizaje / Tipos de aprendizaje / Redes hacia adelante (Feed-Forward) / El perceptrón / Adaline / El perceptrón multicapa / Redes competitivas / Mapas auto-organizados (SOM) / Aplicaciones prácticas / Notas finales / Máquinas de vectores soporte / Introducción / SVM para clasificación: caso separable / SVM en casos no separables / Función de decisión lineal con errores / Clasificadores no lineales / Resolución de un problema biclase con funciones núcleo / Problemas multiclase / Aplicación práctica / Etapa de procesamiento / Etapa de entrenamiento / Etapa de validación / Notas finales / Redes bayesianas / Introducción / Notación / Redes bayesianas / Modelo gráfico / Relaciones probabilísticas / Algoritmos de inferencia probabilística / Algoritmos de inferencia exacta / Algoritmos de inferencia aproximada / Aprendizaje de redes bayesianas / Aprendizaje paramétrico / Aprendizaje estructural / Aplicación práctica / Descripción del problema / Ejemplo básico / Datos de activación cerebral de Pittsburgh / Notas finales / Simulaciones de Monte Carlo – I / Introducción / Presentación formal del problema / Integración de Monte Carlo / Métodos auxiliares de muestreo / Muestreo por rechazo (RS) / Muestreo Enfatizado (IS) / Remuestreo por pesos (WR) / Aplicación práctica / Notas finales / Simulaciones de Monte Carlo - II / Introducción / Métodos de simulación por cadenas de Markov (MCMC) / Fundamento del método / Cadena general de los métodos de Metropolis-Hastings y Gibbs / Algoritmos de Metropolis-Hastings (MH) / Método de Gibbs / Métodos secuenciales de Monte Carlo / Descripción del problema / Filtros de Partículas (PF) / Comparativa / Métodos de simulación generales / Algoritmos / Aplicación práctica / Notas finales / El aprendizaje con algoritmos genéticos / Introducción / Tipos de aprendizaje / Los algoritmos genéticos frente a otras técnicas / Aplicación de los algoritmos genéticos / Un ejemplo práctico: la cerveza / Algoritmos Genéticos Multiobjetivo / Generalización del ejemplo propuesto / Elementos básicos de un AG / Técnicas de Selección / Técnicas de Cruce / La Mutación / Comparación entre el cruce y la mutación / Ajuste de Parámetros / Manejo de restricciones / Notas finales / Aprendizaje mediante árboles de decisión / Introducción / Árboles de decisión / Formalización / Algoritmo ID3 / Determinación del atributo de ramificación / Modo de generación / Árbol de decisión FUZZY / Proceso de construcción del árbol borroso / Aplicación práctica / Notas finales / Razonamiento basado en casos / Introducción / Estructura principal y problemática / Ciclo clásico de un CBR / Estructura de los Casos y Base de Casos / Recuperar / Reutilizar / Revisar / Recordar / Aplicaciones prácticas / Un sistema CBR como ayuda en el procesamiento de imágenes / Un sistema CBR para la toma de decisiones / Notas finales / Aprendizaje por refuerzo / Introducción / Aprendizaje y refuerzo / Búsqueda en el espacio de políticas / Asignación de crédito temporal / Funciones de valor / La propiedad de Markov / Análisis de componentes / Selección de acciones y exploración / Optimización / Conclusiones / Aplicación práctica / Notas finales / Descarga de apéndices y código / Bibliografía / Índice alfabético. N2 - El libro proporciona los recursos teóricos necesarios para abordar problemas de distinta naturaleza relativos 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 ER -