AI for Data Science: Frameworks y funcionalidades de inteligencia artificial para aprendizaje profundo, optimización y más allá

Opiniones de los lectores

El libro constituye un valioso recurso tanto para los aspirantes a científicos de datos como para los experimentados que buscan comprender e implementar la IA, especialmente el aprendizaje profundo. Sin embargo, hay un problema preocupante con la infracción de derechos de autor que ha afectado a algunos lectores.

Bien escrito e informativo, con una cobertura exhaustiva de los fundamentos, herramientas y marcos del aprendizaje profundo. Incluye ejemplos prácticos de codificación y toca temas relevantes de IA como Big Data y técnicas emergentes como Transfer Learning y Capsule Networks.

El libro tiene algunos errores gramaticales que pueden perturbar la experiencia de lectura. Además, hay problemas relacionados con la infracción de derechos de autor que han afectado a algunos usuarios, causando frustración por la pérdida de oportunidades de audiolibro.

(basado en 2 opiniones de lectores)

Título original:

AI for Data Science: Artificial Intelligence Frameworks and Functionality for Deep Learning, Optimization, and Beyond

Contenido del libro:

Domine los enfoques y principios de los algoritmos de Inteligencia Artificial (IA), y aplíquelos a proyectos de Ciencia de Datos con código Python y Julia.

Los aspirantes y profesionales en ejercicio de la Ciencia de Datos y la IA, junto con los programadores de Python y Julia, practicarán numerosos algoritmos de IA y desarrollarán una comprensión más holística del campo de la IA, y aprenderán cuándo utilizar cada marco para abordar proyectos en nuestro mundo cada vez más complejo.

Los dos primeros capítulos introducen el campo, con el capítulo 1, en el que se analizan los modelos de aprendizaje profundo, y el capítulo 2, en el que se ofrece una visión general de los algoritmos que van más allá del aprendizaje profundo, como la optimización, la lógica difusa y la creatividad artificial.

Los siguientes capítulos se centran en marcos de IA; contienen datos y código Python y Julia en un Docker proporcionado, para que puedas practicar. El Capítulo 3 cubre MXNet de Apache, el Capítulo 4 cubre TensorFlow, y el Capítulo 5 investiga Keras. Después de cubrir estos marcos de Aprendizaje Profundo, exploramos una serie de marcos de optimización, con el Capítulo 6 cubriendo la Optimización de Enjambre de Partículas (PSO), el Capítulo 7 sobre Algoritmos Genéticos (GAs), y el Capítulo 8 discutiendo el Recocido Simulado (SA).

El capítulo 9 comienza nuestra exploración de los métodos avanzados de IA, abarcando las redes neuronales convolucionales (CNN) y las redes neuronales recurrentes (RNN). El capítulo 10 trata de los conjuntos de optimización y de cómo pueden añadir valor al proceso de la ciencia de datos.

El capítulo 11 contiene varios marcos alternativos de IA, como las máquinas de aprendizaje extremo (ELM), las redes de cápsulas (CapsNets) y los sistemas de inferencia difusa (FIS).

El capítulo 12 cubre otras consideraciones complementarias a los temas de IA tratados, incluyendo conceptos de Big Data, áreas de especialización en Ciencia de Datos y recursos de datos útiles para experimentar.

Se incluye un glosario exhaustivo, así como una serie de apéndices que cubren el Aprendizaje por Transferencia, el Aprendizaje por Refuerzo, los Sistemas Autoencodificadores y las Redes Generativas Adversariales. También hay un apéndice sobre los aspectos empresariales de la IA en los proyectos de ciencia de datos, y otro sobre cómo utilizar la imagen Docker para acceder a los datos y el código del libro.

El campo de la IA es muy amplio y puede resultar abrumador para los recién llegados. Este libro le proporcionará una sólida comprensión del campo, además de inspirarle para seguir explorando.