05712nam 2200637 450 991078925720332120231110211652.084-9064-000-9(CKB)3710000000095840(EBL)3217957(OCoLC)927539305(SSID)ssj0001213999(PQKBManifestationID)11772659(PQKBTitleCode)TC0001213999(PQKBWorkID)11176552(PQKB)10280092(MiAaPQ)EBC3217957(OCoLC)992030499(FlNmELB)ELB57582(MiAaPQ)EBC7051302(Au-PeEL)EBL7051302(EXLCZ)99371000000009584020140323d2013 uy 0spaur|n|---|||||txtccrInteligencia artificial avanzada /Raúl Benítez [y otros 3]Barcelona :Editorial UOC,2013.1 online resource (297 p.)Manuales Contiene índice.84-9029-887-4 Contiene bibliografía.Inteligencia artificial avanzada; Página legal; Autores; Índice; Capítulo I. Introducción a la inteligencia artificial; 1.Neuronas y transistores; 2.Breve historia de la IA; 3. Ámbitos de aplicación de la inteligencia artificial; Capítulo II. Recomendadores y agrupamientos; 1. Métricas y medidas de similitud; 1.1. Ejemplo de aplicación; 1.2. Distancia euclídea; 1.3. Correlación de Pearson; 1.4. Procesamiento de datos reales; 1.5. Conclusiones; 2.Recomendadores basados en memoria; 2.1. Conceptos generales; 2.2. Aproximaciones simples; 2.3. Recomendación ponderada; 2.4. Conclusiones3. Algoritmos de agrupamiento (clustering)3.1. Ejemplo de aplicación; 3.2. Conceptos generales; 3.3. Agrupamiento jerárquico. Dendrogramas; 3.4. k-medios (kmeans); 3.5. c-medios difuso (Fuzzy c-means); 3.6. Agrupamiento espectral (spectral clustering); 3.7. Recomendadores basados en modelos; Capítulo III. Extracción y selección de atributos; 1. Técnicas de factorización matricial; 1.1. Descomposición en valores singulares (SVD); 1.2. Análisis de componentes principales (PCA); 1.3. Análisis de componentes independientes (ICA); 1.4. Factorización de matrices no-negativas (NMF)2. Discriminación de datos en clases2.1. Análisis de discriminantes lineales (LDA); 3.Visualización de datos mutidimensionales; 3.1. Escalamiento multidimensional (MDS); Capítulo IV. Clasificación; 1. Introducción; 1.1. Categorización de textos; 1.2. Aprendizaje automático para clasificación; 1.3. Tipología de algoritmos para clasificación; 2. Métodos basados en modelos probabilísticos; 2.1. Naïve Bayes; 2.2. Máxima entropía; 3. Métodos basados en distancias; 3.1. kNN; 3.2. Clasificador lineal basado en distancias; 3.3. Clustering dentro de clases; 4. Métodos basados en reglas4.1. Árboles de decisión4.2. AdaBoost; 5. Clasificadores lineales y métodos basados en kernels; 5.1. Clasificador lineal basado en producto escalar; 5.2. Clasificador lineal con kernel; 5.3. Kernels para tratamiento de textos; 5.4. Máquinas de vectores de soporte; 6. Protocolos de test; 6.1. Protocolos de validación; 6.2. Medidas de evaluación; 6.3. Tests estadísticos; 6.4. Comparativa de clasificadores; Capítulo V. Optimización; 1. Introducción; 1.1. Tipología de los métodos de optimización; 1.2. Características de los metaheurísticos de optimización2. Optimización mediante multiplicadores de Lagrange2.1. Descripción del método; 2.2. Ejemplo de aplicación; 2.3. Análisis del método; 3. Recocción simulada; 3.1. Descripción del método; 3.2. Ejemplo de aplicación; 3.3. Análisis del método; 3.4. Código fuente en Python; 4. Algoritmos genéticos; 4.1. Descripción del método; 4.2. Ampliaciones y mejoras; 4.3. Ejemplo de aplicación; 4.4. Análisis del método; 4.5. Código fuente en Python; 5. Colonias de hormigas; 5.1. Descripción del método; 5.2. Ejemplo de aplicación; 5.3. Análisis del método; 5.4. Código fuente en Python6. Optimización con enjambres de partículasEn este libro se introducen los conceptos fundamentales de la Inteligencia Artificial, desde una visión muy orientada al reconocimiento de patrones. El lector podrá encontrar una revisión completa de las técnicas avanzadas más usadas en el campo del aprendizaje automático. El texto se ha enfocado desde un punto de vista eminentemente práctico. Las explicaciones teóricas de las diferentes técnicas se basan en la resolución de problemas concretos. Los algoritmos están acompañados de ejemplos, escritos en Python, con aplicaciones directas en ámbitos como el procesado de imágenes o el análisis de textos. Los diferentes capítulos comprenden las técnicas de aprendizaje no supervisado, los métodos de reducción de la dimensionalidad y extracción de características (PCA, NMF, ICA, LDA, MDS), los principales algoritmos de clasificación de patrones (probabilísticos, kNN, SVM y Boosting) y diferentes métodos de optimización.Manuales Artificial intelligenceInteligencia artificialArtificial intelligence.Inteligencia artificial.006.3Benítez Raúl1494444MiAaPQMiAaPQMiAaPQBOOK9910789257203321Inteligencia artificial avanzada3717976UNINA