Buy
Bookshop
Inteligencia artificial avanzada
AnonymousUser

Index

  • Inteligencia artificial avanzada

  • (1)
  • Title
  • Copyright
  • Authors
  • Índice
  • Capítulo I. Introducción a la inteligencia artificial
  • Capítulo I. Introducción a la inteligencia artificial
  •     1. Neuronas y transistores
  •     2. Breve historia de la IA
  •     3. Ámbitos de aplicaciónde la inteligencia artificial
  • Capítulo II. Recomendadores y agrupamientos
  • 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. Conclusiones
  •     3. Algoritmos de agrupamiento (clustering)
  •         3.1. Ejemplo de aplicación
  •         3.2. Conceptos generales
  •         3.3. Agrupamiento jerárquico. Dendrogramas
  •         3.4. k-medios (k-means)
  •         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
  • 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 clases
  •         21. Análisis de discriminantes lineales (LDA)
  •     3. Visualización de datos mutidimensionales
  •         3.1. Escalamiento multidimensional (MDS)
  • Capítulo IV. Clasificación
  • 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 reglas
  •         4.1. Árboles de decisión
  •         4.2. 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
  • Capítulo V. Optimización
  •     1. Introducción
  •         1.1. Tipología de los métodos de optimización
  •         1.2. Características de los metaheurísticos de optimización
  •     2. Optimización mediante multiplicadores de Lagrange
  •         2.1. 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 Python
  •     6. Optimización con enjambres de partículas
  •         6.1. Descripción del método
  •         6.2. Ejemplo de aplicación
  •         6.3. Análisis del método
  •         6.4. Código fuente en Python
  •     7. Búsqueda tabú
  •         7.1. Descripción del método
  •         7.2. Ejemplo de aplicación
  •         7.3. Análisis del método
  •         7.4. Código fuente en Python
  • Anexo A. Conceptos básicos de estadística
  • Anexo B. El lenguaje Python
  • Anexo B. El lenguaje Python
  •     1. Instalación de Python
  •     2. Variables
  •         2.1. Operadores
  •         2.2. Cadenas de caracteres
  •     3. Control de flujo
  •         3.1. Sentencias condicionales: la instrucción if
  •         3.2. Secuencias iterativas: bucles
  •     4. Funciones
  •         4.1. Parámetros de entrada
  •         4.2. Valores de retorno
  •     5. Tipos de datos en Python
  •         5.1. Tuplas
  •         5.2. Listas
  •         5.3. Diccionarios
  •         5.4. Conjuntos
  •         5.5. Ficheros
  •     6. Python y la orientación a objetos
  •         6.1. Los objetos en Python
  •         6.2. Herencia
  •         6.3. Encapsulación
  •         6.4. Polimorfismo
  •     7. Python como lenguaje funcional
  •         7.1. Funciones lambda
  •         7.2. Comprensión de listas
  •     8. Librerías: NumPy PyLab y SciPy
  •         8.1. NumPy
  •         8.2. PyLab
  •         8.3. SciPy
  •     9. Resumen
  • Bibliografía



  • In this book: Content of the Book
    My notes
    My highlights

Settings

  • Font:
  • Text size:
    Aa  Aa
    Reset text size
  • Background color:
    Aa Aa Aa Aa
  • Interface language:

Bookmarks
Highlights
Notes
  • Facebook
  • Twitter
  • LinkedIn
  • Dictionary
  • Wikipedia

1
Inteligencia artificial avanzada · Capítulo II. Recomendadores y agrupamientos