Practical MATLAB Deep Learning
Michael Paluszek, Stephanie Thomas
- Editorial
- Apress
- Año
- 2020
- Páginas
- ~252
- Nivel
- Intermedio
De qué trata
Guía práctica orientada a proyectos que aborda el diseño, entrenamiento y evaluación de modelos de aprendizaje profundo utilizando el ecosistema de MATLAB (versión R2019b/R2020a). La obra está dirigida a ingenieros, científicos, investigadores y profesionales técnicos —con especial énfasis en las áreas aeroespacial, mecánica, eléctrica y física— que ya poseen un manejo básico de la sintaxis de MATLAB y fundamentos de cálculo y álgebra lineal, y desean aplicar redes neuronales a retos computacionales complejos sin necesidad de migrar al entorno de Python.
El contenido profundiza en las funciones y aplicaciones de Deep Learning Toolbox, Statistics and Machine Learning Toolbox e Instrument Control Toolbox. Los autores enseñan a configurar redes multicapa con funciones como patternnet, implementar redes neuronales convolucionales (CNN) para visión artificial, modelar datos secuenciales y temporales con redes recurrentes (LSTM) y desarrollar la arquitectura Algorithmic Deep Learning Neural Network (ADLNN), un método propio que integra sistemas de ecuaciones diferenciales de la física clásica en el entrenamiento de redes para la detección de fallos y comportamientos dinámicos.
A través de sus capítulos, el lector construye proyectos completos aplicados a problemas científicos reales: detección de formas geométricas en imágenes, recomendación de películas sobre datos tabulares, diagnóstico de fallos en sensores de turbinas eólicas con ecuaciones diferenciales, predicción de disrupciones térmicas y magnéticas de plasma en reactores de fusión nuclear Tokamak, clasificación de movimientos corporales (piruetas de ballet) capturados con sensores inerciales IMU vía Bluetooth, completado de frases y estimación de trayectorias en navegación aérea y órbitas de satélites. Su mayor valor reside en alejar al estudiante de los datasets sintéticos triviales para conectarlo con la instrumentación y la física de ingeniería; su contrapartida es la estricta dependencia del software privativo y las licencias comerciales de MathWorks, omitiendo frameworks abiertos dominantes en la industria general como PyTorch.
- MATLAB
- Deep Learning Toolbox
- Redes convolucionales
- Series temporales
- LSTM
- Visión por computador
- Algorithmic Deep Learning
- Instrument Control Toolbox
- Sensores IMU
- Fusión nuclear Tokamak
- Navegación aérea
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Detección de círculos en imágenes
Sistema de visión artificial desarrollado con Deep Learning Toolbox que entrena una red neuronal para identificar la presencia y coordenadas espaciales de formas circulares en imágenes sintéticas y procesadas.
Clasificador de películas y espectadores
Modelo de filtrado y recomendación categórica construido con patternnet que clasifica preferencias de usuarios a partir de matrices y atributos de perfiles sintéticos.
Diagnóstico de fallos en turbinas mediante ADLNN
Red neuronal algorítmica profunda que integra ecuaciones diferenciales de dinámica de fluidos para monitorizar y predecir fallos de sensores en turbinas de aire.
Predicción de disrupciones en reactores Tokamak
Sistema de predicción temprana para confinamiento de plasma en reactores de fusión nuclear que analiza series temporales electromagnéticas y térmicas para evitar daños estructurales.
Clasificación de piruetas con telemetría IMU
Pipeline de reconocimiento de movimientos de danza que captura mediciones cinemáticas de una unidad inercial (IMU) por Bluetooth usando Instrument Control Toolbox y las clasifica con redes neuronales.
Determinación de órbitas y navegación sobre relieve
Modelos predictivos que combinan ecuaciones de movimiento de masas puntuales y perfiles de elevación de terreno para asistir en navegación aeronáutica y cálculo orbital de satélites.
