Descripción
Domine los enfoques y principios de los algoritmos de Inteligencia Artificial (IA) y aplíquelos a proyectos de Ciencia de Datos con código Python y Julia.
Los profesionales aspirantes y en ejercicio de la Ciencia de Datos y la IA, junto con los programadores de Python y Julia, practicarán numerosos algoritmos de IA y desarrollarán una comprensión más holística del campo de la IA, y aprenderán cuándo usar cada marco para abordar proyectos en nuestro mundo cada vez más complejo.
Los dos primeros capítulos introducen el campo, con el Capítulo 1 examinando los modelos de Deep Learning y el Capítulo 2 proporcionando una visión general de los algoritmos más allá del Deep Learning, incluyendo Optimización, Lógica Difusa y Creatividad Artificial.
Los siguientes capítulos se centran en los marcos de IA; contienen datos y código Python y Julia en un Docker proporcionado, para que pueda practicar. El Capítulo 3 cubre MXNet de Apache, el Capítulo 4 cubre TensorFlow y el Capítulo 5 investiga Keras. Después de cubrir estos marcos de Deep Learning, exploramos una serie de marcos de optimización, con el Capítulo 6 cubriendo la Optimización por Enjambre de Partículas (PSO), el Capítulo 7 sobre Algoritmos Genéticos (GAs) y el Capítulo 8 discutiendo el Recocido Simulado (SA).
El Capítulo 9 comienza nuestra exploración de métodos avanzados de IA, cubriendo Redes Neuronales Convolucionales (CNNs) y Redes Neuronales Recurrentes (RNNs). El Capítulo 10 discute los conjuntos de optimización y cómo pueden agregar valor a la tubería de Ciencia de Datos.
El Capítulo 11 contiene varios marcos de IA alternativos, incluyendo Máquinas de Aprendizaje Extremo (ELMs), Redes Cápsula (CapsNets) y Sistemas de Inferencia Difusa (FIS).
El Capítulo 12 cubre otras consideraciones complementarias a los temas de IA cubiertos, incluyendo conceptos de Big Data, áreas de especialización en Ciencia de Datos y recursos de datos útiles para experimentar.
Se incluye un glosario completo, así como una serie de apéndices que cubren Transfer Learning, Reinforcement Learning, Sistemas Autoencoder y Redes Generativas Adversarias. También hay un apéndice sobre los aspectos comerciales de la IA en proyectos de ciencia de datos, y un apéndice sobre cómo usar la imagen Docker para acceder a los datos y el código del libro.
El campo de la IA es vasto y puede ser abrumador para el recién llegado. Este libro le proporcionará una sólida comprensión del campo, además de inspirarle a explorar más a fondo.
Autor: Zacharias Voulgaris, Yunus Emrah Bulut
Editorial: Technics Publications
Publicado: 09/12/2018
Páginas: 290
Tipo de encuadernación: Tapa blanda
Peso: 1.11lbs
Tamaño: 9.25h x 7.50w x 0.61d
ISBN13: 9781634624091
ISBN10: 1634624092
Categorías BISAC:
- Informática | Inteligencia Artificial | General
- Informática | Simulación por Computadora
- Informática | Programación | Algoritmos
Este título no es retornable