Redes Neuronales & Deep Learning

PARTE I. REDES NEURONALES ARTIFICIALES......Page 27 Inteligencia Artificial......Page 29 Definiciones de I.A.......Page 34 Los problemas de la I.A.......Page 36 Técnicas heurísticas......Page 48 Aprendizaje automático......Page 53 Aplicaciones del aprendizaje automático......Page 56 Tipos de aprendizaje automático......Page 60 Aprendizaje supervisado......Page 61 Aprendizaje no supervisado......Page 68 ¿Otras formas de aprendizaje?......Page 77 Evaluación de los resultados del aprendizaje......Page 85 Métricas de evaluación......Page 86 Métodos de evaluación......Page 105 Finalización del modelo......Page 113 Descomposición del error en sesgo y varianza......Page 114 Técnicas de aprendizaje......Page 121 Técnicas simbólicas: I.A. simbólica......Page 123 Técnicas analógicas: Reconocimiento de patrones......Page 128 Técnicas bayesianas: Modelos probabilísticos......Page 136 Técnicas evolutivas: Computación evolutiva......Page 143 Técnicas conexionistas: I.A. conexionista......Page 151 Combinación de múltiples modelos: Ensembles......Page 155 Selección y extracción de características......Page 160 Deep Learning......Page 167 Características clave del deep learning......Page 171 Limitaciones del deep learning......Page 179 Inspiración biológica......Page 186 Modelos de neuronas y redes neuronales artificiales......Page 211 Neuronas o elementos de procesamiento......Page 213 Funciones de activación......Page 220 Arquitecturas de las redes neuronales artificiales......Page 230 PARTE II. ENTRENAMIENTO DE REDES......Page 239 La neurona de McCulloch y Pitts......Page 241 Reconocimiento de patrones con redes neuronales......Page 247 El algoritmo de aprendizaje del perceptrón......Page 252 Variantes y aplicaciones del perceptrón......Page 261 Limitaciones del perceptrón......Page 277 El algoritmo de propagación de errores......Page 285 Entrenamiento de redes multicapa......Page 289 El algoritmo de propagación de errores hacia atrás......Page 311 Implementación del algoritmo......Page 320 Coda: Un poco de historia......Page 341 Entrenamiento de una red neuronal......Page 349 Topología de la red......Page 352 Funciones de activación......Page 369 Modos de entrenamiento......Page 380 El conjunto de entrenamiento......Page 389 Inicialización de la red......Page 404 Tasas de aprendizaje......Page 419 Hiperparámetros......Page 438 Prevención del sobreaprendizaje......Page 453 El problema del sobreaprendizaje......Page 454 Regularización......Page 458 Introducción de ruido......Page 476 Early stopping......Page 481 Ensembles......Page 485 Dropout......Page 488 Algoritmos de optimización......Page 497 El caso unidimensional......Page 500 El caso multidimensional......Page 505 Momentos......Page 518 Tasas de aprendizaje adaptativas......Page 523 Técnicas de optimización de segundo orden......Page 540 Gradientes conjugados......Page 560 Aprendiendo a optimizar de forma automática......Page 564 Paralelización de las técnicas de optimización......Page 566 Comentarios finales......Page 574 PARTE III. ARQUITECTURAS ESPECIALIZADAS......Page 579 Softmax......Page 581 La entropía cruzada como función de coste......Page 584 Curso rápido de Teoría de la Información......Page 585 La función softmax......Page 595 Estimación de máxima verosimilitud......Page 601 Una derivación alternativa......Page 604 Cuestiones de implementación......Page 607 Aplicaciones......Page 618 Mecanismos de atención......Page 620 Apéndice: El gradiente natural......Page 622 Redes convolutivas......Page 625 Orígenes: El Neocognitrón de Fukushima......Page 627 La operación de convolución......Page 632 Capas convolutivas......Page 640 Capas de pooling......Page 653 Cuestiones prácticas......Page 662 Aplicaciones......Page 677 Bibliografía......Page 713 Índice alfabético......Page 791