IFCD092PO: Desarrollo de aplicaciones basadas en deep learning usando Tensorflow/Keras

El objetivo de este libro es que el lector adquiera los conocimientos para desarrollar sistemas de aprendizaje profundo usando Keras y Scikit.

ACERCA DEL AUTOR
CAPÍTULO 1. INTRODUCCIÓN
1.1 TIPOS DE MACHINE LEARNING
1.2 TRATANDO CON DATOS.
1.3 MEDICIÓN DE LA CALIDAD
1.4 MEJORA DEL MODELO
CAPÍTULO 2. DATASETS
2.1 DATASET DE DIABETES (REGRESIÓN)
2.2 DATASET BOSTON (REGRESIÓN)
2.3 DATASET DE LIRIOS (CLASIFICACIÓN)
2.4 DATASET DE CÁNCER DE PECHO (CLASIFICACIÓN)
2.5 DATASET DE VINOS (CLASIFICACIÓN)
2.6 DATASET GENERADO MAKE_BLOBS (CLASIFICACIÓN)
2.7 DATASET GENERADO MAKE_REGRESSION (REGRESSION)
2.8 DATASET GENERADO MAKE_MOONS (CLASIFICACIÓN Y CLUSTERING)
2.9 DATASET MNIST (CLASIFICACIÓN)
2.10 CARAS DE OLIVETTI (CLASIFICACIÓN)
2.10.1 Caras etiquetadas “in the wild”: LFW (clasificación)
CAPÍTULO 3. REGRESIÓN
3.1 MODELOS DE REGRESIÓN
3.1.1 Regresión lineal (desde cero)
3.1.2 Regresión lineal usando SciKit
3.1.3 Regresión Polinómica (desde cero)
3.1.4 Regresión polinómial desde cero (enfoque de gradiente descend
3.1.5 Regresión de los K vecinos más cercanos (K-Nearest Neighbors o KNN) desde cero
3.1.6 Regresión por K vecinos más cercanos (KNN) usando librerías
3.1.7 Regresión Kernel Gaussiana (Gaussian Kernel Regression)
3.1.8 Regresión Kernel Gaussiana usando librerías SciKit
3.1.9 Regresión Ridge (forma cerrada)
3.1.10 Ridge Regression usando librerías de SciKit
3.1.11 Regresión Lasso usando librerías de SciKit
3.1.12 Regresión Elastic Net usando librerías de SciKit
3.2 ANÁLISIS DE CALIDAD EN LA REGRESIÓN LINEAL
CAPÍTULO 4. CLASIFICACIÓN
4.1 MODELOS DE CLASIFICACIÓN
4.1.1 Regresión Logística (Logistic Regression) desde cero
4.1.2 Regresión Logística (clasificación) usando librerías SciKit
4.1.3 Clasificación K vecinos más cercanos (K Nearest Neighbours)
4.1.4 Support Vector Machines (SVM) using SciKit libraries
4.1.5 Árboles de Decisión usando librerías de SciKit
4.1.6 Random Forest usando librerías de SciKit
4.2 ANÁLISIS DE CALIDAD DE LOS MÉTODOS DE CLASIFICACIÓN
CAPÍTULO 5. CLUSTERING
5.1 ALGORITMOS DE CLUSTERING
5.1.1 K-Means (K-medias) desde cero
5.1.2 K means usando las librerías de SciKit
5.1.3 DBSCAN basado en densidad, desde cero
5.1.4 DBSCAN basado en densidad, usando SCiKit
5.1.5 Clustering Acumulativo (Agglomerative clustering), usando Sci
5.2 MEDIDA DE CALIDAD DEL CLUSTERING
CAPÍTULO 6. REDUCCIÓN DE DIMENSIONES
6.1 FACTORIZACIÓN MATRICIAL USANDO SCIKIT
6.2 ANÁLISIS DE COMPONENTES PRINCIPALES (PCA)
USANDO SCIKIT
CAPÍTULO 7. REDES NEURONALES
7.1 LA NEURONA BIOLÓGICA
7.2 LA NEURONA ARTIFICIAL
7.3 APRENDIZAJE HEBBIANO
7.4 EL PERCEPTRÓN
7.5 REDES MULTICAPA Y EL ALGORITMO BACK PROPAGATION
7.6 DEMOSTRACIÓN DEL ALGORITMO BACK PROPAGATION
CAPÍTULO 8. CLASIFICACIÓN USANDO REDES NEURONALES
8.1 CLASIFICACIÓN DEL DATASET MNIST
8.2 CLASIFICACIÓN DEL DATASET FASHION MNIST
8.3 CLASIFICACIÓN DEL DATASET CIFAR 100
CAPÍTULO 9. REDES CONVOLUCIONALES
CONCEPTOS BÁSICOS
CAPÍTULO 10. CLASIFICACIÓN USANDO REDES CONVOLUCIONALES
EN DATASETS SENCILLOS
10.1 CLASIFICACIÓN DEL DATASET MNIST
10.2 CLASIFICACIÓN DEL DATASET CIFAR 100
10.3 CLASIFICACIÓN DEL DATASET FASHION MNIST
CAPÍTULO 11. GENERADORES DE DATOS
11.1 CLASIFICACIÓN USANDO EL DATASET: DOGS AND CATS
11.2 DATA GENERATORS
CAPÍTULO 12. ENRIQUECIMIENTO DE DATOS (DATA AUGMENTATION)
12.1 ENRIQUECIMIENTO DE DATOS. ENFOQUE I.
12.2 ENRIQUECIMIENTO DE DATOS. ENFOQUE II
CAPÍTULO 13. VISUALIZACIÓN DE LAS CAPAS OCULTAS
13.1 MAPAS DE ACTIVACIÓN EN EL DATASET ‘DOGS AND CATS’
13.2 MAPAS DE ACTIVACIÓN EN EL DATASET MNIST
CAPÍTULO 14. APRENDIZAJE POR TRANSFERENCIA (TRANSFER
LEARNING)
14.1 REUTILIZACIÓN DEL MODELO VGG16
14.2 REFINADO DEL MODELO VGG16
14.3 TRANSFER LEARNING EN DOS ETAPAS
CAPÍTULO 15. AUTOENCODERS
15.1 AUTOENCODER DE UNA SOLA CAPA
15.2 AUTOENCODER EN VARIAS CAPAS
15.3 AUTOENCODERS CONVOLUCIONALES
15.4 VISUALIZACIÓN DEL ESPACIO MULTIDIMENSIONAL
CAPÍTULO 16. APRENDIZAJE GENERATIVO
MATERIAL ADICIONAL