000			00619nam a2200193Ia 4500
999			_c62348 _d62348
003			OSt
005			20181023043908.0
008			24418b pe ||||| |||| 00| 0 spa d
040			_cCentro de Información y Bibliotecas
082			_a005.133.TORR.03
100			_aTorres, Jordi
100			_eAutor
245		0	_aTitulo: Python Deep Learning Introducción Práctica con Keras y Tensorflow 2
250			_a1A. ed
260			_aESPAÑA
260			_bMARCOMBO
260			_c2020
300			_a384 p
300			_c24.0
505			_aÍndice Analítico . -- Prefacio . -- Acerca de Este Libro..... . -- Parte 1: Introducción. . -- Capítulo 1. ¿Qué es el Deep Learning? . -- 1.1. Inteligencia Artificial. . -- 1.1.1. la Inteligencia Artificial Está Cambiando Nuestras Vidas . -- 1.1.2. Clases de Inteligencia Artificial. . -- 1.2. Machine Learning... . -- 1.3. Redes Neuronales y Deep Learning. . -- 1.3.1. Redes Neuronales Artificiales. . -- 1.3.2. las Deep Networks Básicas. . -- 1.4. ¿Por Qué Ahora? . -- 1.4.1. la Supercomputación Corazón del Deep Learning . -- 1.4.2. los Datos, el Combustible para la Inteligencia Artificial . -- 1.4.3. Democratización de la Computación . -- 1.4.4. una Comunidad de Investigación Muy Colaborativa. . -- Capítulo 2. Entorno de Trabajo. . -- 2.1. Entorno de Trabajo. . -- 2.2. Tensorflow y Keras . -- 2.2.1. Tensorflow. . -- 2.2.2 Keras . -- Capítulo 3. Python y sus Librerías . -- 3.1. Conceptos Básicos de Python. . -- 3.1.1. Primeros Pasos . -- 3.1.2. Sangrado en Python . -- 3.1.3. Variables, Operadores y Tipos de Datos. . -- 3.1.4. Tipos de Estructuras de Datos. . -- 3.1.5. Sentencias de Control de Flujo . -- 3.1.6. Funciones . -- 3.1.7. Clases . -- 3.1.8. Decoradores . -- 3.2. Librería Numpy. . -- 3.2.1. Tensor . -- 3.2.2. Manipulación de los Tensores. . -- 3.2.3. Valor Máximo en un Tensor . -- Parte 2: Fundamentos del Deep Learning.. Capítulo 4. Redes Neuronales Densamente Conectadas.. . -- 4.1. Caso de Estudio: Reconocimiento de Dígitos. . -- 4.2. una Neurona Artificial . -- 4.2.1. Introducción a la Terminología y Notación Básica. . -- 4.2.2. Algoritmos de Regresión . -- 4.2.3. una Neurona Artificial Simple. . -- 4.3. Redes Neuronales . -- 4.3.1. Perceptrón. . -- 4.3.2. Perceptrón Multicapa . -- 4.3.3. Perceptrón Multicapa para Clasificación . -- 4.4. Función de Activación Softmax. . -- Capítulo 5. Redes Neuronales en Keras . -- 5.1. Precarga de los Datos en Keras. . -- 5.2. Preprocesado de Datos de Entrada en una Red Neuronal . -- 5.3. Definición del Modelo . -- 5.4. Configuración del Proceso de Aprendizaje. . -- 5.5. Entrenamiento del Modelo . -- 5.6. Evaluación del Modelo . -- 5.7. Generación de Predicciones. . -- 5.8. Todos los Pasos de una Tirada . -- Capítulo 6. Cómo Se Entrena una Red Neuronal . -- 6.1. Proceso de Aprendizaje de una Red Neuronal . -- 6.1.1. Visión Global . -- 6.1.2. Proceso Iterativo de Aprendizaje de una Red Neuronal . -- 6.1.3. Piezas Clave del Proceso de Backpropagation. . -- 6.2. Descenso del Gradiente. . -- 6.2.1. Algoritmo Básico de Descenso del Gradiente . -- 6.2.2. Tipos de Descenso del Gradiente . -- 6.3. Función de Pérdida. . -- 6.4. Optimizadores . -- Capítulo 7. Parámetros e Hiperparámetros en Redes Neuronales........ . -- 7.1. Parametrización de los Modelos . -- 7.1.1. Motivación por los Hiperparámetros. . -- 7.1.2. Parámetros e Hiperparámetros . -- 7.1.3. Grupos de Hiperparámetros . -- 7.2. Hiperparámetros Relacionados con el Algoritmo de Aprendizaje. . -- 7.2.1. Número de Epochs... . -- 7.2.2. Batch Size.... . -- 7.2.3. Learning Rate y Learning Rate Decay . -- 7.2.4. Momentum . -- 7.2.5. Inicialización de los Pesos de los Parámetros. . -- 7.3. Funciones de Activación.. . -- 7.4. Practicando con una Clasificación Binaria . -- Tensorflow Playground . -- 7.4.2. Clasificación con una Sola Neurona . -- 7.4.3. Clasificación con Más de una Neurona . -- 7.4.4. Clasificación con Varias Capas. . -- Capítulo 8. Redes Neuronales Convolucionales.. . -- 8.1. Introducción a las Redes Neuronales Convolucionales. . -- 8.2. Componentes Básicos de una Red Neuronal Convolucional . -- 8.2.1. Operación de Convolución. . -- 8.2.2. Operación de Pooling . -- 8.3. Implementación de un Modelo Básico en Keras . -- 8.3.1. Arquitectura Básica de una Red Neuronal Convolucional. . -- 8.3.2. un Modelo Simple . -- 8.3.3. Configuración, Entrenamiento y Evaluación del Modelo . -- 8.4. Hiperparámetros de la Capa Convolucional. . -- 8.4.1. Tamaño y Número Filtros . -- 8.4.2. Padding . -- 8.4.3. Stride. . -- 8.5. Conjunto de Datos F
650			_aSISTEMAS
650			_aINFORMATICA
700			_aTorres, Jordi
942			_cTM001 _2ddc