LEADER 05712nam 2200637 450 001 9910789257203321 005 20231110211652.0 010 $a84-9064-000-9 035 $a(CKB)3710000000095840 035 $a(EBL)3217957 035 $a(OCoLC)927539305 035 $a(SSID)ssj0001213999 035 $a(PQKBManifestationID)11772659 035 $a(PQKBTitleCode)TC0001213999 035 $a(PQKBWorkID)11176552 035 $a(PQKB)10280092 035 $a(MiAaPQ)EBC3217957 035 $a(OCoLC)992030499 035 $a(FlNmELB)ELB57582 035 $a(MiAaPQ)EBC7051302 035 $a(Au-PeEL)EBL7051302 035 $a(EXLCZ)993710000000095840 100 $a20140323d2013 uy 0 101 0 $aspa 135 $aur|n|---||||| 181 $ctxt 182 $cc 183 $acr 200 00$aInteligencia artificial avanzada /$fRau?l Beni?tez [y otros 3] 210 1$aBarcelona :$cEditorial UOC,$d2013. 215 $a1 online resource (297 p.) 225 1 $aManuales 300 $aContiene i?ndice. 311 $a84-9029-887-4 320 $aContiene bibliografi?a. 327 $aInteligencia artificial avanzada; Pa?gina legal; Autores; I?ndice; Capi?tulo I. Introduccio?n a la inteligencia artificial; 1.Neuronas y transistores; 2.Breve historia de la IA; 3. A?mbitos de aplicacio?n de la inteligencia artificial; Capi?tulo II. Recomendadores y agrupamientos; 1. Me?tricas y medidas de similitud; 1.1. Ejemplo de aplicacio?n; 1.2. Distancia eucli?dea; 1.3. Correlacio?n 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. Recomendacio?n ponderada; 2.4. Conclusiones 327 $a3. Algoritmos de agrupamiento (clustering)3.1. Ejemplo de aplicacio?n; 3.2. Conceptos generales; 3.3. Agrupamiento jera?rquico. 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; Capi?tulo III. Extraccio?n y seleccio?n de atributos; 1. Te?cnicas de factorizacio?n matricial; 1.1. Descomposicio?n en valores singulares (SVD); 1.2. Ana?lisis de componentes principales (PCA); 1.3. Ana?lisis de componentes independientes (ICA); 1.4. Factorizacio?n de matrices no-negativas (NMF) 327 $a2. Discriminacio?n de datos en clases2.1. Ana?lisis de discriminantes lineales (LDA); 3.Visualizacio?n de datos mutidimensionales; 3.1. Escalamiento multidimensional (MDS); Capi?tulo IV. Clasificacio?n; 1. Introduccio?n; 1.1. Categorizacio?n de textos; 1.2. Aprendizaje automa?tico para clasificacio?n; 1.3. Tipologi?a de algoritmos para clasificacio?n; 2. Me?todos basados en modelos probabili?sticos; 2.1. Nai?ve Bayes; 2.2. Ma?xima entropi?a; 3. Me?todos basados en distancias; 3.1. kNN; 3.2. Clasificador lineal basado en distancias; 3.3. Clustering dentro de clases; 4. Me?todos basados en reglas 327 $a4.1. A?rboles de decisio?n4.2. AdaBoost; 5. Clasificadores lineales y me?todos 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. Ma?quinas de vectores de soporte; 6. Protocolos de test; 6.1. Protocolos de validacio?n; 6.2. Medidas de evaluacio?n; 6.3. Tests estadi?sticos; 6.4. Comparativa de clasificadores; Capi?tulo V. Optimizacio?n; 1. Introduccio?n; 1.1. Tipologi?a de los me?todos de optimizacio?n; 1.2. Caracteri?sticas de los metaheuri?sticos de optimizacio?n 327 $a2. Optimizacio?n mediante multiplicadores de Lagrange2.1. Descripcio?n del me?todo; 2.2. Ejemplo de aplicacio?n; 2.3. Ana?lisis del me?todo; 3. Recoccio?n simulada; 3.1. Descripcio?n del me?todo; 3.2. Ejemplo de aplicacio?n; 3.3. Ana?lisis del me?todo; 3.4. Co?digo fuente en Python; 4. Algoritmos gene?ticos; 4.1. Descripcio?n del me?todo; 4.2. Ampliaciones y mejoras; 4.3. Ejemplo de aplicacio?n; 4.4. Ana?lisis del me?todo; 4.5. Co?digo fuente en Python; 5. Colonias de hormigas; 5.1. Descripcio?n del me?todo; 5.2. Ejemplo de aplicacio?n; 5.3. Ana?lisis del me?todo; 5.4. Co?digo fuente en Python 327 $a6. Optimizacio?n con enjambres de parti?culas 330 $aEn este libro se introducen los conceptos fundamentales de la Inteligencia Artificial, desde una visión muy orientada al reconocimiento de patrones. El lector podrá encontrar una revisión completa de las técnicas avanzadas más usadas en el campo del aprendizaje automático. El texto se ha enfocado desde un punto de vista eminentemente práctico. Las explicaciones teóricas de las diferentes técnicas se basan en la resolución de problemas concretos. Los algoritmos están acompañados de ejemplos, escritos en Python, con aplicaciones directas en ámbitos como el procesado de imágenes o el análisis de textos. Los diferentes capítulos comprenden las técnicas de aprendizaje no supervisado, los métodos de reducción de la dimensionalidad y extracción de características (PCA, NMF, ICA, LDA, MDS), los principales algoritmos de clasificación de patrones (probabilísticos, kNN, SVM y Boosting) y diferentes métodos de optimización. 410 0$aManuales 606 $aArtificial intelligence 606 $aInteligencia artificial 615 0$aArtificial intelligence. 615 4$aInteligencia artificial. 676 $a006.3 701 $aBeni?tez$b Rau?l$01494444 801 0$bMiAaPQ 801 1$bMiAaPQ 801 2$bMiAaPQ 906 $aBOOK 912 $a9910789257203321 996 $aInteligencia artificial avanzada$93717976 997 $aUNINA