Técnicas y Herramientas para la IA y el Machine Learning: Redes Neuronales a través de R y Python

Las redes neuronales son uno de los componentes fundamentales de la inteligencia artificial moderna, con aplicaciones en casi todas las áreas tecnológicas importantes. Si bien tienen limitaciones, los avances en este campo están llevando a la creación de sistemas cada vez más inteligentes y capaces. En este libro se profundiza en el uso de las redes neuronales para aprendizaje supervisado y no supervisado. En cuanto al aprendizaje supervisado se tienen en cuenta las arquitecturas más comunes como Perceptrón Multicapa, Red de Base Radial, Redes ADALINE, Redes de HOPFIELD, Redes Probabilísticas, Redes Lineales, Redes de Regresión Generalizada, Redes LVQ, Redes Lineales y Redes para Optimización de Modelos de Regresión. En este apartado de análisis supervisado merecen especial atención las Redes Neuronales para Predicción de Series Temporales como la Red LSTM, las Redes GRU, las Redes Neuronales Recurrentes RNN, las Redes NARX, las Redes NNAR y en general las Redes Neuronales Dinámicas. En cuanto al aprendizaje no supervisado se desarrollan las Redes para Reconicimientio de Patrones y Análisis Cluster como las Redes de KOHONEN (Mapas autoorganizativos SOM), las Redes Neuronales Autoencoders, las Redes para Aprendizaje por Transferencia (Transfer Learning), Las Redes para Detección de Anomalías y las Redes Neuronales Convolucionales. Los sucesivos temas describen metodológicamente las arquitecturas de los diferentes tipos de redes neuronales y su utilidad en las aplicaciones prácticas. Además, para cada tipo de red neuronal se presentan ejemplos con una sintaxis óptima en los lenguajer R y Python.