El diseño de los modelos de inteligencia artificial se realiza a través de tres pilares esenciales: Aprendizaje Automático, Aprendizaje Profundo y Ciencia de Datos. Utilizando MATLAB, ingenieros y otros expertos han desplegado gran variedad de aplicaciones de aprendizaje automático que generan automáticamente funcionalidades a partir de datos de entrenamiento y optimizan modelos de todo tipo.
El aprendizaje profundo es un subconjunto del aprendizaje automático basado en redes neuronales artificiales. El proceso de este aprendizaje se denomina profundo porque la estructura de estas redes consiste en tener múltiples entradas, salidas y capas ocultas. Cada capa contiene unidades que transforman los datos de entrada en información y, de este modo, la capa siguiente puede utilizarla para una determinada tarea predictiva. De este modo, una máquina puede aprender a través de su propio procesamiento de datos.
MATLAB reduce significativamente el tiempo necesario para preprocesar y etiquetar conjuntos de datos con aplicaciones específicas de dominio para datos de audio, vídeo, imagen y texto. Sincroniza series temporales dispares, sustituye los valores atípicos por valores interpolados, agudiza las imágenes y filtra las señales con ruido. Utiliza aplicaciones interactivas para etiquetar, recortar e identificar características importantes, y algoritmos integrados para automatizar el proceso de etiquetado.
MATLAB cuenta con la herramienta Neural Network Toolbox (Deep Leraning Toolbox a partir de la versión 18) que proporciona algoritmos, funciones y aplicaciones para crear, entrenar, visualizar y simular redes neuronales. Puede realizar clasificación, regresión, agrupamiento, reducción de dimensionalidad, reconocimiento de patrones, pronóstico de series de tiempo y modelado y control de sistemas dinámicos. La caja de herramientas incluye redes neuronales convolucionales y algoritmos de aprendizaje profundo con codificador automático para clasificación de imágenes y tareas de aprendizaje de características. Para acelerar el entrenamiento de grandes conjuntos de datos (Big Data), puede distribuir cálculos y datos entre procesadores multinúcleo, GPU y clústeres de computadoras utilizando Parallel Computing Toolbox. Este libro profundiza en todas estas técnicas muy útiles en el desarrollo de la Inteligencia Artificial.
1. Introducción al aprendizaje profundo y redes neuronales con MATLAB
1.1 Introducción a la inteligencia artificial
1.2 Aprendizaje profundo
1.3 Aprendizaje profundo con MATLAB: caja de herramientas de redes neuronales (caja de herramientas de aprendizaje profundo)
1.4 Utilizar la caja de herramientas Deep Learning
1.5 Generación automática de guiones
1.6 Aplicaciones de la caja de herramientas Deep Learning
2. Aprendizaje profundo y redes neuronales convolucionales: funciones de MATLAB
2.1 Clasificación, extracción de características y aprendizaje por transferencia mediante redes neuronales convolucionales
2.2 Construir una arquitectura de red. Funciones
2.3 Entrenamiento de red. Funciones
2.4 Extraer características y predecir resultados. Funciones
3. Aprendizaje profundo y redes neuronales convolucionales con MATLAB. Clases
3.1 Introducción
3.2 Construye una arquitectura de red. Clases
3.4 Construir la arquitectura de red. Capas
4. Clasificación de categorías de imágenes mediante aprendizaje profundo
4.1 Visión general
4.2 Comprueba los requisitos del sistema
4.3 Descargar datos de imagen
4.4 Cargar imágenes
4.5 Descargar la red neuronal convolucional (CNN) preentrenada
4.6 Cargar CNN preentrenada
4.7 Imágenes preprocesadas para la CNN
4.8 Preparar los conjuntos de imágenes de entrenamiento y de prueba
4.9 Extraer características de entrenamiento mediante CNN
4.10 Entrenar un clasificador svm multiclase utilizando características CNN
4.11 Evaluar clasificador
4.12 Probar el clasificador recién entrenado en las imágenes de prueba
5. Aprendizaje profundo: aprendizaje por transferencia utilizando redes neuronales convolucionales y redes neuronales convolucionales preentrenadas
5.1 Aprendizaje por transferencia mediante redes neuronales convolucionales
5.2 Red neuronal convolucional preentrenada
6. Aprendizaje profundo. Funciones de reconocimiento y clasificación de patrones. Autoencoders
6.1 Introducción
6.2 Ver red neural
6.3 Reconocimiento de patrones y aprendizaje de cuantización vectorial
6.4 Opciones de formación y rendimiento de la red
6.5 Rendimiento de la red
6.6 Ajustar un modelo de regresión y trazar los valores ajustados frente a los objetivos
6.7 Trazar la salida y los valores objetivo
6.8 Trazar valores de estado de entrenamiento
6.9 Actuaciones en la trama
6.10 Trazar histograma de valores de error
6.11 Generar una función MATLAB para simular una red neuronal
6.12 Un ejemplo completo: estimación del precio de la vivienda
6.13 Clase Autoencoder
6.14 Funciones del autocodificador
6.15 Construir una red profunda mediante autocodificadores
7. Aprendizaje profundo y redes neuronales multicapa
7.1 Crear, configurar e inicializar redes neuronales multicapa
7.3 Entrenar y aplicar redes neuronales multicapa
7.4 Entrenar algoritmos en redes neuronales multicapa
7.4.1 trainbr: Regularización Bayesiana
8. Aprendizaje profundo. Analizar y desplegar la red neuronal entrenada
8.1 Analizar el rendimiento de la red neuronal
8.2 Mejorar los resultados
8.3 Funciones y herramientas de despliegue para redes entrenadas
8.4 Generar funciones de red neuronal para el despliegue de aplicaciones
8.5 Despliegue de Diagramas Simulink de Redes Neuronales
8.6 DespliegaEGAR el entrenamiento de las redes neuronales
9. Aprendizaje profundo y Big Data. Computación paralela y GPU. Escalabilidad y eficiencia del entrenamiento
9.1 Redes neuronales con cálculo paralelo y en la GPU
9.2 Guardar automáticamente los puntos de control durante el entrenamiento de la red neuronal
9.3 Optimizar la velocidad de entrenamiento y la memoria de la red neuronal
10. Aprendizaje profundo. Soluciones óptimas
10.1 Representar objetivos desconocidos
10.2 Configurar las entradas y salidas de la red neuronal
10.3 DividIR los datos para un entrenamiento óptimo de la red neuronal
10.4 Elegir una función de entrenamiento de red neuronal multicapa
10.5 Mejorar la generalización de la red neuronal y evitar el sobreajuste
10.6 Entrenar redes neuronales con ponderaciones de error
10.7 Normalizar errores de múltiples salidas
11. Aprendizaje profundo y clasificación. Ejemplos
11.1 Ejemplo de clasificación
11.2 Clasificación de los vinos
11.3 Detección del cáncer
11.4 Reconocimiento de caracteres
12. Aprendizaje profundo. Autoencoders y clustering. Ejemplos
12.1 Entrenar autocodificadores apilados para la clasificación de imágenes
12.2 Aprendizaje por transferencia mediante redes neuronales convolucionales
12.3 Agrupación de Iris (Clustering)
12.4 Análisis de la expresión génica
(0 Comentarios)
