El sitio web www.vuestroslibros.com utiliza cookies propias y de terceros para recopilar información que ayuda a optimizar su visita a sus páginas web.
No se utilizarán las cookies para recoger información de carácter personal. Usted puede permitir su uso o rechazarlo; también puede cambiar su configuración siempre que lo desee.
Encontrará mas información en nuestra política de Cookies.

ACEPTAR Leer más

 
Inteligencia Artificial para desarrolladores. Conceptos e implementación en C# | 9782409014918 | Portada

INTELIGENCIA ARTIFICIAL PARA DESARROLLADORES. CONCEPTOS E IMPLEMENTACIóN EN C#

Virginie MATHIVET

Precio: 45.00€

Oferta: 42.75€ (-5%)

Añadir a la cesta

Datos técnicos

  • Edición
  • ISBN 9782409014918
  • Año Edición 2018
  • Páginas 515
  • Encuadernación Rústica
  • Idioma Español
 

Sinopsis

Este libro sobre Inteligencia Artificial se dirige principalmente a desarrolladores y no requiere profundos conocimientos en matemáticas. A lo largo de los distintos capítulos la autora presenta las principales técnicas de Inteligencia Artificial y, para cada una de ellas, su inspiración, biológica, física o incluso matemática, así como los distintos conceptos y principios (sin entrar en detalles matemáticos), con ejemplos y gráficos para cada uno de ellos. Los dominios de aplicación se ilustran mediante aplicaciones reales y actuales. Cada capítulo contiene un ejemplo de implementación genérico, que se completa con una aplicación práctica, desarrollada en C#. Estos ejemplos de código genéricos son fácilmente adaptables a numerosas aplicaciones en C#, bien sea en aplicaciones .NET clásicas, para ASP.NET, o incluso aplicaciones Windows (versiones 8 y 10). Las técnicas de Inteligencia Artificial descritas son:

- Los sistemas expertos, que permiten aplicar reglas para tomar decisiones o descubrir nuevos conocimientos.
- La lógica difusa, que permite controlar sistemas informáticos o mecánicos de manera mucho más flexible que con los programas tradicionales.
- Los algoritmos de búsqueda de rutas, entre ellos el algoritmo A*, utilizado con frecuencia en videojuegos para encontrar los mejores caminos.
- Los algoritmos genéticos, que utilizan la potencia de la evolución para aportar soluciones a problemas complejos.
- Los principales metaheurísticos, entre ellos la búsqueda tabú, que permite encontrar las mejores soluciones a problemas de optimización, con o sin restricciones.
- Los sistemas multi-agentes, que simulan elementos muy simples o que permiten conseguir comportamientos emergentes a partir de varios agentes muy sencillos.
Las redes neuronales (o deep learning), capaces de descubrir y reconocer modelos en series históricas, en imágenes o incluso en conjuntos de datos.

Para ayudar al lector a pasar de la teoría a la práctica, la autora proporciona para su descarga en el sitio web www.ediciones-eni.com siete proyectos de Visual Studio 2017 (uno por cada técnica de Inteligencia Artificial que se aborda en el libro), desarrollados en C#. Cada proyecto contiene una PCL para la parte genérica y una aplicación (en modo consola o WPF, según los capítulos) para la parte específica a la aplicación propuesta.

El libro termina con una bibliografía, que permite al lector encontrar más información acerca de las diferentes técnicas, una webgrafía que enumera algunos artículos que presentan aplicaciones reales, un anexo y un índice.

Índice

Prólogo
1. Objetivos de este libro
2. Público objetivo y requisitos previos
3. Estructura del libro
4. Código para descargar
Introducción
1. Presentación del capítulo
2. Definir la inteligencia
3. La inteligencia de los seres vivos
4. La inteligencia artificial
5. Dominios de aplicación
6. Resumen
Sistemas expertos
1. Presentación del capítulo
2. Ejemplo: un sistema experto en polígonos
2.1 Triángulos
2.2 Cuadriláteros
2.3 Otros polígonos
3. Contenido de un sistema experto
3.1 Base de reglas
3.2 Base de hechos
3.3 Motor de inferencia
3.4 Interfaz de usuario
4. Tipos de inferencia
4.1 Razonamiento deductivo
4.1.1 Principio
4.1.2 Aplicación a un ejemplo
4.2 Razonamiento inductivo
4.2.1 Principio
4.2.2 Aplicación a un ejemplo
4.3 Razonamiento mixto
5. Etapas de construcción de un sistema
5.1 Extracción del conocimiento
5.2 Creación del motor de inferencia
5.3 Escritura de las reglas
5.4 Creación de la interfaz de usuario
6. Rendimiento y mejoras
6.1 Criterios de rendimiento
6.2 Mejorar el rendimiento mediante la escritura de reglas
6.3 Importancia de la representación del problema
7. Agregar incertidumbre y probabilidades
7.1 Agregar incertidumbre
7.2 Hechos inciertos
7.3 Reglas inciertas
8. Campos de aplicación
8.1 Ayuda al diagnóstico
8.2 Evaluación de riesgos
8.3 Planificación y logística
8.4 Transferencia de competencias y conocimiento
8.5 Otras aplicaciones
9. Creación de un sistema experto en C#
9.1 Definición de requisitos
9.2 Implementación de los hechos
9.3 Base de hechos
9.4 Reglas y base de reglas
9.5 Interfaz
9.6 Motor de inferencia
9.7 Escritura de reglas y uso
10. Uso de Prolog
10.1 Presentación del lenguaje
10.2 Sintaxis del lenguaje
10.2.1 Generalidades
10.2.2 Predicados
10.2.3 Plantear preguntas
10.2.4 Escritura de las reglas
10.2.5 Otros predicados útiles
10.3 Codificación del problema de las formas geométricas
10.4 Codificación del problema de las ocho reinas
10.4.1 Interés del razonamiento inductivo
10.4.2 Estudio del problema
10.4.3 Reglas
10.4.4 Reglas de conflicto entre reinas
10.4.5 Objetivo del programa
10.4.6 Ejemplos de uso
11. Resumen
Lógica difusa
1. Presentación del capítulo
2. Incertidumbre e imprecisión
2.1 Incertidumbre y probabilidad
2.2 Imprecisión y subjetividad
2.3 Necesidad de tratar la imprecisión
3. Conjuntos difusos y grados de pertenencia
3.1 Lógica booleana y lógica difusa
3.2 Funciones de pertenencia
3.3 Características de una función de pertenencia
3.4 Valores y variables lingüísticas
4. Operadores sobre los conjuntos difusos
4.1 Operadores booleanos
4.2 Operadores difusos
4.2.1 Negación
4.2.2 Unión e intersección
5. Creación de reglas
5.1 Reglas en lógica booleana
5.2 Reglas difusas
6. Fuzzificación y defuzzificación
6.1 Valor de verdad
6.2 Fuzzificación y aplicación de las reglas
6.3 Defuzzificación
7. Dominios de aplicacion
7.1 Primer uso
7.2 En los productos electrónicos
7.3 En el mundo del automóvil
7.4 Otros dominios
8. Implementación de un motor de lógica difusa
8.1 El núcleo del código: los conjuntos difusos
8.1.1 Point2D: un punto de una función de pertenencia
8.1.2 FuzzySet: un conjunto difuso
8.1.3 Operadores de comparación y de multiplicación
8.1.4 Operadores sobre conjuntos
8.1.5 Cálculo del baricentro
8.2 Conjuntos difusos particulares
8.3 Variables y valores lingüísticos
8.3.1 LinguisticValue: valor lingüístico
8.3.2 LinguisticVariable: variable lingüística
8.4 Reglas difusas
8.4.1 FuzzyExpression: expresión difusa
8.4.2 FuzzyValue: valor difuso
8.4.3 FuzzyRule: regla difusa
8.5 Sistema de control difuso
8.6 Resumen del código creado
9. Implementación de un caso práctico
10. Resumen
Búsqueda de rutas
1. Presentación del capítulo
2. Rutas y grafos
2.1 Definición y conceptos
2.2 Representaciones
2.2.1 Representación gráfica
2.2.2 Matriz de adyacencia
2.3 Coste de una ruta y matriz de distancias
3. Ejemplo en cartografía
4. Algoritmos exhaustivos de búsqueda de rutas
4.1 Búsqueda en profundidad
4.1.1 Principio y pseudo-código
4.1.2 Aplicación al mapa
4.2 Búsqueda en anchura
4.2.1 Principio y pseudo-código
4.2.2 Aplicación al mapa
5. Algoritmos "inteligentes"
5.1 Algoritmo de Bellman-Ford
5.1.1 Principio y pseudo-código
5.1.2 Aplicación al mapa
5.2 Algoritmo de Dijkstra
5.2.1 Principio y pseudo-código
5.2.2 Aplicación al mapa
5.3 Algoritmo A*
5.3.1 Principio y pseudo-código
5.3.2 Aplicación al mapa
6. Dominios de aplicación
7. Implementación
7.1 Nodos, arcos y grafos
7.1.1 Implementación de los nodos
7.1.2 Clase que representa los arcos
7.1.3 Interfaz de los grafos
7.2 Fin del programa genérico
7.2.1 IHM
7.2.2 Algoritmo genérico
7.3 Codificación de los diferentes algoritmos
7.3.1 Búsqueda en profundidad
7.3.2 Búsqueda en anchura
7.3.3 Algoritmo de Bellman-Ford
7.3.4 Algoritmo de Dijkstra
7.3.5 Algoritmo A*
7.4 Aplicación al mapa
7.4.1 Tile y Tiletype
7.4.2 Implementación del mapa
7.4.3 Programa principal
7.5 Comparación del rendimiento
8. Resumen
Algoritmos genéticos
1. Presentación del capítulo
2. Evolución biológica
2.1 El concepto de evolución
2.2 Las causas de las mutaciones
2.3 El soporte de esta información: los factores
2.4 De los factores al código genético
2.5 El "ciclo de la vida"
3. Evolución artificial
3.1 Los principios
3.2 Convergencia
3.3 Ejemplo
3.3.1 Juego del Mastermind
3.3.2 Creación de la población inicial
3.3.3 Función de evaluación
3.3.4 Fase de reproducción
3.3.5 Supervivencia y encadenamiento de generaciones
3.3.6 Terminación del algoritmo
4. Primeras fases del algoritmo
4.1 Elección de la representación
4.1.1 Población e individuos
4.1.2 Genes
4.1.3 Casos complejos
4.2 Inicialización de la población inicial
4.3 Evaluación de individuos
5. Creación de las siguientes generaciones
5.1 Selección de los padres
5.2 Reproducción
5.2.1 Crossover
5.2.2 Mutación
5.3 Supervivencia
5.4 Parada
6. Coevolución
7. Dominios de aplicación
8. Implementación
8.1 Implementación genérica de un algoritmo
8.1.1 Especificaciones
8.1.2 Parámetros
8.1.3 Individuos y genes
8.1.4 IHM
8.1.5 Proceso evolutivo
8.2 Uso para el hombre de negocios
8.2.1 Presentación del problema
8.2.2 Entorno
8.2.3 Genes
8.2.4 Individuos
8.2.5 Programa principal
8.2.6 Resultados
8.3 Uso para la resolución de un laberinto
8.3.1 Presentación del problema
8.3.2 Entorno
8.3.3 Genes
8.3.4 Individuos
8.3.5 Programa principal
8.3.6 Resultados
9. Resumen
Metaheurísticos de optimización
1. Presentación del capítulo
2. Optimización y mínimos
2.1 Ejemplos
2.2 El problema de la mochila
2.3 Formulación de los problemas
2.4 Resolución matemática
2.5 Búsqueda exhaustiva
2.6 Metaheurísticos
3. Algoritmos voraces
4. Descenso por gradiente
5. Búsqueda tabú
6. Recocido simulado
7. Optimización por enjambre de partículas
8. Meta-optimización
9. Dominios de aplicación
10. Implementación
10.1 Clases genéricas
10.2 Implementación de los distintos algoritmos
10.2.1 Algoritmo voraz
10.2.2 Descenso por gradiente
10.2.3 Búsqueda tabú
10.2.4 Recocido simulado
10.2.5 Optimización por enjambre de partículas
10.3 Resolución del problema de la mochila
10.3.1 Implementación del problema
10.3.2 Algoritmo voraz
10.3.3 Descenso por gradiente
10.3.4 Búsqueda tabú
10.3.5 Recocido simulado
10.3.6 Optimización por enjambre de partículas
10.3.7 Programa principal
10.4 Resultados obtenidos
11. Resumen
Sistemas multi-agentes
1. Presentación del capítulo
2. Origen biológico
2.1 Las abejas y la danza
2.2 Las termitas y la ingeniería civil
2.3 Las hormigas y la optimización de caminos
2.4 Inteligencia social
3. Sistemas multi-agentes
3.1 El entorno
3.2 Los objetos
3.3 Los agentes
4. Clasificación de los agentes
4.1 Percepción del mundo
4.2 Toma de decisiones
4.3 Cooperación y comunicación
4.4 Capacidad del agente
5. Principales algoritmos
5.1 Algoritmos de manadas
5.2 Optimización por colonia de hormigas
5.3 Sistemas inmunitarios artificiales
5.4 Autómatas celulares
6. Dominios de aplicación
6.1 Simulación de multitudes
6.2 Planificación
6.3 Fenómenos complejos
6.4 Otros dominios
7. Implementación
7.1 Banco de peces
7.1.1 Los objetos del mundo y las zonas a evitar
7.1.2 Los agentes-peces
7.1.3 El océano
7.1.4 La aplicación gráfica
7.1.5 Resultados obtenidos
7.2 Recogida selectiva
7.2.1 Los residuos
7.2.2 Los agentes limpiadores
7.2.3 El entorno
7.2.4 La aplicación gráfica
7.2.5 Resultados obtenidos
7.3 El juego de la vida
7.3.1 La malla
7.3.2 La aplicación gráfica
7.3.3 Resultados obtenidos
8. Resumen
Redes neuronales
1. Presentación del capítulo
2. Origen biológico
3. Machine Learning
3.1 Formas de aprendizaje y ejemplos
3.1.1 Aprendizaje no supervisado
3.1.2 Aprendizaje supervisado
3.1.3 Aprendizaje por refuerzo
3.2 Regresión y algoritmo de regresión lineal
3.3 Clasificación y algoritmo de regresión logística
4. Neurona formal y perceptrón
4.1 Principio
4.2 Red de tipo "perceptrón"
4.3 Funciones de agregación y de activación
4.3.1 Función de agregación
4.3.2 Función de activación
4.3.3 Función gausiana
4.4 Ejemplo de red
4.5 Aprendizaje
5. Redes feed-forward
5.1 Redes con capa oculta
5.2 Aprendizaje por retropropagación del gradiente
5.3 Sobreaprendizaje
5.4 Mejoras del algoritmo
5.4.1 Batch, mini-batch y gradiente estocástico
5.4.2 Regularización
5.4.3 Dropout
5.4.4 Variación del algoritmo de descenso por gradiente
5.4.5 Creación de nuevos datos
6. Otras arquitecturas
6.1 Redes neuronales de convolución
6.2 Mapas de Kohonen
6.3 Redes neuronales recurrentes
6.4 Redes de Hopfield
7. Dominios de aplicación
7.1 Reconocimiento de patrones
7.2 Estimación de funciones
7.3 Creación de componentes
7.4 Aplicaciones actuales
8. Implementación
8.1 Puntos y conjuntos de puntos
8.2 Neurona
8.3 Red neuronal
8.4 Interfaz Hombre-Máquina
8.5 Sistema completo
8.6 Programa principal
8.7 Aplicaciones
8.7.1 Aplicación al XOR
8.7.2 Aplicación a Abalone
8.7.3 Posibles mejoras
9. Resumen del capítulo
Webgrafía
1. ¿ Por qué una webgrafía ?
2. Sistemas expertos
3. Lógica difusa
4. Búsqueda de rutas
5. Algoritmos genéticos
6. Metaheurísticos
7. Sistemas multi-agentes
8. Redes neuronales
Anexo
1. Instalación de SWI-Prolog
2. Uso de SWI-Prolog
índice

 

2018 © Vuestros Libros Siglo XXI | Desarrollo Web Factor Ideas

Producto añadido al carrito.

Si desea ver la cesta de la compra haga click aquí.