Este libro tiene como objetivo acercar al lector, de una manera teórica y práctica, a la Inteligencia Artificial moderna usando modelos neuronales artificiales profundos que constituyen la base actual de esta tecnología.Esta obra, dirigida a estudiantes y profesionales, nos brinda información clara y concisa sobre la IA en la que se abordan desde el concepto de neurona artificial planteado en 1943 hasta las últimas aplicaciones de Modelos Generativos y Aprendizaje Reforzado. Se tratan aplicaciones prácticas en el campo de bioseñales, reconocimiento de imágenes, series temporales y sistemas de IA que dirigen videojuegos, entre muchas otras cosas.Cada capítulo contiene una parte de teoría e incluye actividades y ejemplos prácticos con el propósito de facilitar la asimilación de los conocimientos tratados. Está escrito con lenguaje claro y didáctico por lo que es muy adecuado para impartir cursos sobre sistemas de IA o bien de Modelos Neuronales. Además, el libro se acompaña de un repositorio de código con todas las prácticas resueltas en Python, y listas para ejecutarse en entornos como Google Colab.

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.

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