Redes Neuronales y aplicaciones: Ajuste de funciones, clúster, patrones y series temporales. Ejemplos con MATLAB

Utilizando técnicas modernas, como la minería de datos, el modelado estadístico y el aprendizaje automático, los modelos predictivos ayudan a los analistas a realizar previsiones futuras sobre variables de interés como suelen ser ventas, ingresos, gastos, etc. También suelen utilizarse para pronosticar probabilidades de fraude, riesgo, devolución de créditos y siniestro en el seguro. Entre los modelos predictivos más interesantes se encuentran las redes neuronales. MATLAB implementa la herramienta Neural Network Toolbox (Deep Learning Toolbox a partir de la versión 18) especializada en las técnicas de analítica basadas en redes neuronales. Esta caja de herramientas proporciona algoritmos, funciones y aplicaciones para crear, entrenar, visualizar y simular redes neuronales. Puede realizar tareas de clasificación, regresión, agrupación, reducción dimensional, previsión de series temporales y modelado y control de sistemas dinámicos. La caja de herramientas incluye algoritmos de aprendizaje profundo de redes neuronales convolucionales y autocodificadores para tareas de clasificación de imágenes y reconocimiento de patrones. El libro comienza tratando el ajuste de modelos de regresión mediante redes neuronales. A continuación, se profundiza en la segmentación por análisis clúster mediante redes neuronales utilizando mapas autoorganizativos, redes de Kohonen y redes competitivas. A continuación, se aborda el reconocimiento y clasificación de patrones con redes neuronales. El texto continúa tratando temas de aprendizaje profundo (Deep Learning) como el uso de autoencoders para la clasificación de imágenes y el aprendizaje por transferencia mediante redes neuronales convolucionales. Mención especial merecen las redes neuronales para predicción de series temporales (NARX, NARNET, etc.). Finalmente se analizan arquitecturas clásicas de redes neuronales como el perceptrón multicapa, la red de base radial y las redes de Hopfield. Para las redes más importantes, como el ajuste de modelos de regresión, el análisis clúster, el reconocimiento de patrones y la predicción con series temporales, se utilizan asistentes visuales dirigidos para trabajar de modo sencillo. Esto facilita la comprensión de las técnicas y la obtención de resultados. Para todos los temas se presentan ejemplos resueltos paso a paso. CONTENIDO Capítulo 1. Análisis de datos y redes neuronales 1.1 Modelos predictivos y análisis de datos. Redes neuronales 1.2 Caja de herramientas de redes neuronales 1.3 Uso de la caja de herramientas de redes neuronales 1.4 Generación automática de guiones Capítulo 2. Ajustar datos con una red neuronal. Interfaz gráfica 2.1 Introducción 2.2 Uso de la herramienta de ajuste de redes neuronales 2.3 Uso de las funciones de la línea de comandos Capítulo 3. Ajuste de redes neuronales con MATLAB. Ejemplos 3.1 Ejemplo completo: Estimación del precio de la vivienda 3.2 Red neuronal de ajuste de funciones. Ejemplos 3.3 Rendimiento de la red 3.4 Ajuste del modelo de regresión y trazado de los valores ajustados en función de los objetivos. Ejemplos 3.5 Trazar la salida y los valores objetivo. Ejemplos 3.6 Trazar valores de estado de entrenamiento. Ejemplos 3.7 Parcela actuaciones. Ejemplos 3.8 Histograma de valores de error. Ejemplos 3.9 Generar una función MATLAB para simular una red neuronal. Ejemplos Capítulo 4. Análisis clúster con redes neuronales. Agrupar datos con un mapa autoorganizativo 4.1 Introducción 4.2 Uso de la herramienta de agrupación de redes neuronales. Análisis clúster con redes 4.3 Uso de las funciones de la línea de comandos Capítulo 5. Clúster con red neuronal de mapa auto-organizado. Ejemplos 5.1 Clúster con red neuronal de mapa autoorganizado 5.2 Arquitectura 5.3 Crear una red neuronal de mapa autoorganizativo (selforgmap). Ejemplos 5.4 Formación (learnsomb) Ejemplos 5.5 Ejemplos 5.6 AUTOFORGMAP 5.7 Funciones para mapas autoorganizados y ejemplos 5.8 Un ejemplo completo. Agrupación de iris 5.9 Análisis de la expresión génica. Análisis de conglomerados y componentes principales 5.10 Aprendizaje competitivo 5.11 Mapa unidimensional autoorganizado 5.12 Mapa Autoorganizado Bidimensional 5.13 Crear una red neuronal competitiva. Sesgo y regla de aprendizaje de Kohonen 5.14 Funciones de las capas competitivas Capítulo 6. Clasificar patrones con una red neuronal. Interfaz gráfica 6.1 Introducción 6.2 Uso de la herramienta de reconocimiento de patrones de redes neuronales 6.3 Uso de las funciones de la línea de comandos Capítulo 7. Reconocimiento y clasificación de patrones con redes neuronales. Autoencoders. Aprendizaje profundo 7.1 Introducción 7.2 Funciones de reconocimiento y clasificación de patrones. Ejemplos 7.3 Ver red neural 7.4 Reconocimiento de patrones y aprendizaje Cuantización vectorial 7.5 Opciones de entrenamiento y rendimiento de la red 7.6 Redes Autoencoder. Aprendizaje profundo 7.7 Entrenar autocodificadores apilados para la clasificación de imágenes. Red neuronal profunda 7.8 Clasificación, extracción de características y aprendizaje por transferencia con redes neuronales convolucionales (CNN) 7.9 Aprendizaje por transferencia con redes neuronales convolucionales 7.10 Ejemplo: Clasificación de los cangrejos 7.11 Clasificación de vinos. Reconocimiento de patrones 7.12 Detección del cáncer 7.13 Reconocimiento de caracteres 7.14 Cuantización vectorial de aprendizaje (LVQ). Ejemplo Capítulo 8. Predicción y modelización de series temporales mediante redes neuronales. Interfaz gráfica 8.1 Introducción 8.2 Utilización de la herramienta de series temporales de redes neuronales 8.3 Uso de las funciones de la línea de comandos Capítulo 9. Redes neuronales de series temporales. Ejemplos 9.1 Funciones de modelización y predicción 9.2 TIMEDELAYNET 9.3 NARXNET 9.4 NARNET 9.5 LAYRECNET 9.6 DISTDELAYNET 9.7 TREN 9.8 Uso de las funciones de la línea de comandos 9.9 Un ejemplo completo. Modelado Maglev Capítulo 10. Redes de base radial 10.1 Red de funciones de base radial 10.2 Aproximación de base radial 10.3 Neuronas de base radial superpuestas 10.4 Aproximación de funciones GRNN 10.5 Clasificación PNN Capítulo 11. Aplicaciones sencillas y redes Holfield 11.1 Diseño de predicción lineal 11.2 Predicción lineal adaptativa 11.3 Red Holpfield 11.4 Diseño de dos neuronas Hopfield 11.5 Equilibrios inestables de Hopfield 11.6 Diseño Hopfield de tres neuronas 11.7 Puntos estables espurios de Hopfield Capítulo 12. Perceptrones 12.1 Perceptrón 12.2 Clasificación con un perceptrón de 2 entradas 12.3 Vectores de entrada de valores atípicos 12.4 Regla del perceptrón normalizado 12.5 Vectores linealmente no separables

• ISBN: 9788419034656
• Editorial: GARCETA GRUPO EDITORIAL
• Encuadernacion: Rústica
• Páginas: 318
• Fecha Publicación: 01/10/2024
• Nº Volúmenes: 1
• Idioma: