Varios autores 
Inteligencia artificial [PDF ebook] 
Casos prácticos con aprendizaje profundo

AGRADECIMIENTOS
AUTORES
INTRODUCCIÓN AL LIBRO
CAPÍTULO 1. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO
1.1 EL SIGLO DE LOS DATOS
1.2 ANÁLISIS DE LOS DATOS. ETAPAS
1.3 APRENDIZAJE MÁQUINA. TIPOS Y APLICACIONES
1.4 APRENDIZAJE PROFUNDO. BREVE HISTORIA
1.5 BIBLIOGRAFÍA
CAPÍTULO 2. MODELOS NEURONALES MULTIFUNCIÓN
2.1 NEURONA ARTIFICIAL. ELEMENTOS QUE LA FORMAN
2.2 PERCEPTRÓN. ALGORITMO DE APRENDIZAJE
2.3 ADALINA. DESCENSO POR GRADIENTE. LMS
2.4 ESTRUCTURAS ADAPTATIVAS. VARIANTES DEL LMS
2.5 PERCEPTRÓN MULTICAPA. BACKPROPAGATION
2.6 VARIANTES DEL BACKPROPAGATION. ELECCIÓN DE LA
ARQUITECTURA
2.7 APLICANDO EL PERCEPTRÓN MULTICAPA
2.7.1 Arquitectura
2.7.2 Modo de funcionamiento
2.7.3 Función de coste
2.7.4 Sobreajuste (overfitting)
2.7.5 Preprocesado de las entradas
2.7.6 Problemas con estructuras profundas
2.8 MODELOS NEURONALES PARA CLUSTERING. SOM
2.9 LABORATORIO
2.10 BIBLIOGRAFÍA
CAPÍTULO 3. MODELOS NEURONALES ORIENTADOS A VISIÓN
3.1 PROBLEMAS DEL MLP EN IMÁGENES
3.2 ARQUITECTURA DE UNA CNN. PARTES ESENCIALES
3.3 ARQUITECTURAS FAMOSAS
3.3.1 Modelos más relevantes que han participado en el ILSVRC
3.4 AUMENTO DE DATOS Y TRANSFERENCIA DE APRENDIZAJE
3.5 OTRAS APLICACIONES DE LAS CNN
3.5.1 Detección de objetos
3.5.2 Segmentación de imágenes
3.5.3 Laboratorio
3.6 BIBLIOGRAFÍA
CAPÍTULO 4. MODELOS NEURONALES ORIENTADOS A DATOS
TEMPORALES
4.1 DATOS TEMPORALES. CARACTERÍSTICAS
4.2 MODELOS MULTICAPA RECURRENTES CLÁSICOS
4.3 REDES RECURRENTES (RNN)
4.4 LONG-SHORT-TERM MEMORY (LSTM)
4.5 REDES GATED RECURRENT UNIT (GRU)
4.6 APLICACIONES DE LAS REDES RECURRENTES
4.7 LABORATORIO
4.8 BIBLIOGRAFÍA
CAPÍTULO 5. MODELOS GENERATIVOS
5.1 INTRODUCCIÓN A LOS MODELOS GENERATIVOS
5.2 AUTOENCODERS
5.3 AUTOENCODERS VARIACIONALES
5.4 GAN (GENERATIVE ADVERSARIAL NETWORKS)
5.5 PROBLEMAS EN EL AJUSTE DE LAS GAN
5.6 VARIACIONES DE LAS GAN
5.7 LABORATORIO
5.8 BIBLIOGRAFÍA
CAPÍTULO 6. APRENDIZAJE REFORZADO
6.1 INTRODUCCIÓN AL APRENDIZAJE REFORZADO
6.2 ELEMENTOS MATEMÁTICOS A TENER EN CUENTA EN EL
APRENDIZAJE REFORZADO
6.3 MÉTODOS DE APRENDIZAJE POR DIFERENCIAS TEMPORALES:
SARSA Y Q-LEARNING
6.4 APRENDIZAJE REFORZADO PROFUNDO
6.5 LABORATORIO
6.6 BIBLIOGRAFÍA
MATERIAL ADICIONAL

Emilio Soria Olivas. Catedrático de Universidad, Licenciado en Físicas y Doctor Ingeniero Electrónico. Es director del Máster en Ciencia de Datos y del Máster en Inteligencia Artificial ambos de la Universidad de Valencia.
Pablo Rodríguez Belenguer. Licenciado en Farmacia por la Universidad de Valencia. Máster en Investigación y Uso Racional del Medicamento por la Universidad de Valencia, Máster en Ciencia de Datos por MBIT School y Máster en Inteligencia Artificial Aplicada y Avanzada por la Universidad de Valencia.
Quique García Vidal. Graduado en Ingeniería Electrónica Industrial. Máster en Ciencia de Datos por la Universidad de Valencia y Máster en Inteligencia Artificial Aplicada y Avanzada por la Universidad de Valencia. Cofundador de deepsense SL.
Fran Vaquer Estalrich. Graduado en Ingeniería Electrónica Industrial por la Universidad de València, Máster en Big Data Analytics por la Universidad Politécnica de València y Máster en Inteligencia Artificial Aplicada y Avanzada por la Universidad de València. Cofundador de deepsense SL.
Juan Vicent Camisón. Graduado en Física, Máster en Inteligencia Artificial Aplicada y Avanzada, ambos por la Universidad de Valencia.
Jorge Vila Tomás. Graduado en Física y Máster en Inteligencia Artificial Aplicada y Avanzada por la Universidad de Valencia.