000 06469nam a2200445 4500
003 OSt
005 20240326082441.0
008 240323s2021 ck d|||| |||| 001 0 spa d
020 _a9789587787207
040 _aCo-BrCUA
_bspa
_eRCAA2
_cCo-BrCUA
082 0 4 _a006.31
_bI616 2021
_223
245 _aIntroducción al machine learning con matlab /
_cErik Valdemar Cuevas, Omar Avalos, Primitivo Emanuel y …[Otros mas].
250 _aprimera edición.
260 _aBogotá :
_bAlpha Editorial,
_c2021.
300 _a245 páginas :
_bgraficas,
_c24 cm.
336 _2rdacontent
_aTexto
_btxt
337 _2rdamedia
_aSin mediación
_bn
338 _2rdacarrier
_aVolumen
_bnc
500 _aIncluye índice general al principio del texto.
505 _aCAPÍTULO 1. Fundamentos del Machine Learning. 1.1. Introducción. 1.2. Conceptos sobre datos 1.3. Conceptos sobre aprendizaje. 1.4. Tipos de problemas 1.5. Tipos de datos 1.6. Tipos de aprendizajes 1.7. Etapas de implementación del aprendizaje máquina 1.8. Exploración y preparación de datos. 1.9. Visualización de datos
505 _aCAPÍTULO 2. Bases matemáticas. 2.1. Introducción. 2.2. Probabilidad 2.2.1. Variables aleatorias discretas 2.2.2. Reglas fundamentales. 2.2.2.1. Probabilidad de la unión de dos elementos 2.2.2.2. Probabilidad de la intersección de dos elementos. 2.2.2.3. Probabilidad condicional 2.2.3. Algunas distribuciones comunes. 2.2.3.1. Distribución binomial y Bernoulli 2.2.3.2. Distribución multinomial. 2.2.3.3. Distribución de Poisson. 2.2.3.4. Distribución uniforme. 2.2.3.5. Distribución normal (gaussiana) 2.3. Estadística. 2.3.1. Medidas de tendencia central 2.3.1.1. Media aritmética 2.3.1.2. Mediana. 2.3.1.3. Moda 2.3.2. Medidas de variabilidad 2.3.2.1. Varianza 2.3.2.2. Desviación estándar 2.3.2.3. Rango. 2.3.3. Herramientas gráficas 2.3.3.1. Gráfica de líneas 2.3.3.2. Gráfica de barras 2.4. Algebra lineal 2.3.3.3. Gráfica de cajas 2.3.3.4. Histograma. 2.4.1. Vectores y matrices. 2.4.2. Suma, resta y producto escalar de vectores 2.4.3. Norma vectorial. 2.4.3.1. Norma 13 2.4.3.2. Norma L 2.4.4. Matrices 2.4.4.1. Suma, resta y multiplicación de matrices.. 2.4.4.2. Multiplicación escalar de una matriz. 2.4.4.3. Multiplicación de matrices 2.4.5. Tipo de matrices.. 2.4.6. Descomposición de matrices 2.4.6.1. Descomposición LU. 2.4.6.2. Descomposición de los valores y vectores propios
505 _aCAPÍTULO 3. Clasificación. 3.1. Introducción 3.2. Vecinos cercanos (k-NN) 3.2.1. Ejemplo de clasificación utilizando k-NN en MATLAB. 3.3. Regresión logística. 3.3.1. Ejemplo de clasificación utilizando la regresión logística en MATLAB. 3.4. Naive Bayes. 3.4.1. Teorema de Bayes. 3.4.2. Clasificador Naive Bayes... 3.4.3. Ejemplo de clasificación Naive Bayes utilizando MATLAB 3.5. Análisis del discriminante de Fisher 3.5.1. Ejemplo de clasificación mediante discriminante de Fisher utilizando MATLAB 3.6. Máquina de vector soporte (SVM). 3.6.1. Ejemplo de clasificación con máquina vector soporte utilizando MATLAB
505 _aCAPÍTULO 4. Regresión lineal. 4.1. Introducción 4.2. Regresión lineal simple. 4.3. Mínimos cuadrados. 4.4. Gradiente descendente en regresión lineal simple. 4.5. Ecuación normal en regresión lineal simple... 4.6. Regresión lineal múltiple.
505 _aCAPÍTULO 5. Agrupamiento (clustering). 5.1. Introducción. 5.2. Algoritmo de K-means. 5.2.1. El uso de K-means en MATLAB. 5.3. Método de expectación-maximización 5.3.1. Modelos de mezclas gaussianas. 5.3.2. Estimación de máxima probabilidad. 5.3.3. EM en una dimensión. 5.3.4. EM en varias dimensiones. 5.4. Agrupación jerárquica.. 5.4.1. Medidas de similaridad entre los clústeres. 5.5. El algoritmo de Fuzzy C-means.
505 _aCAPÍTULO 6. Reducción de dimensionalidad 6.1. Introducción 6.2. Análisis de componentes principales (PCA) 6.2.1. Ejemplo en MATLAB de análisis de componentes principales (PCA) 6.3. Análisis de componentes independientes (ICA). 6.3.1. Distribuciones gaussianas no permitidas. 6.3.2. Estimación de máxima probabilidad. 6.3.3. Ejemplo en MATLAB de análisis de componentes independientes (ICA)... 6.4. Análisis de factor (FA). 6.4.1. Ejemplo en MATLAB de análisis de factor (FA)
505 _aCAPÍTULO 7. Métodos unidos 7.1. Árboles de decisión 7.2. Algoritmo CART 7.3. Árboles de decisión para clasificación. 7.4. Árboles de decisión para regresión. 7.5. Funciones de MATLAB para árboles de decisión. 7.6. El método Bootstrap
505 _aCAPÍTULO 8. Reconocimiento de objetos. 8.1. Comparación en imágenes a escala de grises 8.2. Distancia entre patrones 8.3. Distancia y correlación. 8.4. La correlación cruzada normalizada. 8.5. Coeficiente de correlación 8.6. Reconocimiento de patrones usando el coeficiente de correlación 8.7. Comparación de imágenes binarias. 8.7.1. La transformación de distancia. 8.7.2. El algoritmo de Chamfer 8.8. Índice de relación de Chamfer
505 _aCAPÍTULO 9. Estadística inferencial. 9.1. Introducción 9.2. Distribución de muestreo.. 9.2.1. Distribución normal. 9.2.2. Distribución t. 9.3. Estimación de parámetros 9.3.1. Estimación por intervalos. 9.4. Pruebas de hipótesis
505 _aCAPÍTULO 10. Evaluación del desempeño 10.1. Introducción. 10.2. Ajustes sobre las predicciones de un clasificador 10.2.1. Tipos de errores 10.2.2. Matriz de confusión 10.3. Métricas para clasificadores. 10.3.1. Exactitud (ACC). 10.3.2. Razón de falsos positivos (FPR) 10.3.3. Sensibilidad (VPR). 10.3.4. Especificidad (SPC) 10.3.5. Precisión 10.3.6. F1. 10.3.7. F2. 10.4. Curva ROC... 10.5. El balance entre el sesgo y la varianza 10.6. Evaluación de modelos.. 10.6.1. Técnicas comunes de validación cruzada. 10.7. Métricas de error en regresores lineales
650 1 0 _aAprendizaje automático (inteligencia artificial)
_98192
650 1 0 _aInteligencia artificial
_xAplicaciones
_98652
650 1 0 _aTecnología computacional
_935357
700 _aValdemar Cuevas, Erik
_935358
700 _aAvalos, Omar
_935359
700 _aPrimitivo, Emanuel
_935360
700 _aValdivia, Arturo
_935361
700 _aPérez, Marco Antonio
_935362
856 _u9789587787214
942 _2ddc
_cRS
_i006.31 I619 2021
999 _c68091
_d68091