Aprendizaje en profundidad

Opiniones de los lectores

El libro se presenta a sí mismo como un recurso introductorio para entender el aprendizaje profundo, con un enfoque en hacer que los conceptos complejos sean accesibles para los principiantes. Sin embargo, ha recibido críticas dispares en cuanto a su claridad, errores en los ejemplos de codificación y organización general.

⬤ Explicaciones claras y comprensibles de los conceptos del aprendizaje profundo.
⬤ Enfoque práctico para implementar redes neuronales.
⬤ Accesible para principiantes sin una sólida formación matemática.
⬤ Buenos conocimientos básicos sobre el aprendizaje profundo en un estilo de construcción gradual.
⬤ Narración atractiva y analogías que ayudan a desmitificar ideas complejas.

⬤ Errores de codificación significativos que podrían confundir a los principiantes.
⬤ Algunos capítulos resultan confusos o están mal estructurados.
⬤ Contiene errores tipográficos y ejemplos que parecen poco realistas o inventados, lo que puede provocar un desajuste con las aplicaciones prácticas.
⬤ Ciertas secciones críticas carecen de elaboración, dejando a los lectores en busca de recursos adicionales para su aclaración.

(basado en 35 opiniones de lectores)

Título original:

Grokking Deep Learning

Contenido del libro:

Resumen

Grokking Deep Learning te enseña a construir redes neuronales de aprendizaje profundo desde cero En su atractivo estilo, el experimentado experto en aprendizaje profundo Andrew Trask te muestra la ciencia bajo el capó, para que entiendas por ti mismo cada detalle del entrenamiento de redes neuronales.

La compra del libro impreso incluye un libro electrónico gratuito en formato PDF, Kindle y ePub de Manning Publications.

Acerca de la tecnología

El aprendizaje profundo, una rama de la inteligencia artificial, enseña a los ordenadores a aprender utilizando redes neuronales, una tecnología inspirada en el cerebro humano. La traducción de textos en línea, los coches autónomos, las recomendaciones personalizadas de productos y los asistentes de voz virtuales son sólo algunos de los emocionantes avances modernos posibles gracias al aprendizaje profundo.

Acerca del libro

Grokking Deep Learning te enseña a construir redes neuronales de aprendizaje profundo desde cero En su atractivo estilo, el experimentado experto en aprendizaje profundo Andrew Trask te muestra la ciencia bajo el capó, para que entiendas por ti mismo cada detalle del entrenamiento de redes neuronales. Usando sólo Python y su biblioteca de soporte matemático, NumPy, entrenarás tus propias redes neuronales para ver y entender imágenes, traducir texto a diferentes idiomas, e incluso escribir como Shakespeare Cuando hayas terminado, estarás totalmente preparado para pasar a dominar los marcos de aprendizaje profundo.

Contenido

⬤ La ciencia detrás del aprendizaje profundo.

⬤ Construir y entrenar sus propias redes neuronales.

⬤ Conceptos de privacidad, incluido el aprendizaje federado.

⬤ Consejos para continuar tu búsqueda del aprendizaje profundo.

Acerca del lector

Para lectores con nivel de matemáticas de secundaria y conocimientos intermedios de programación.

Sobre el autor

Andrew Trask es estudiante de doctorado en la Universidad de Oxford e investigador científico en DeepMind. Anteriormente, Andrew fue investigador y director de productos analíticos en Digital Reasoning, donde entrenó la red neuronal artificial más grande del mundo y ayudó a guiar la hoja de ruta analítica para la plataforma de computación cognitiva Synthesys.

Índice

⬤ Introducción al aprendizaje profundo: por qué deberías aprenderlo.

⬤ Conceptos fundamentales: ¿cómo aprenden las máquinas?

⬤ Introducción a la predicción neuronal: propagación hacia delante.

⬤ Introducción al aprendizaje neuronal: descenso por gradiente.

⬤ Aprendizaje de múltiples pesos a la vez: generalizando el descenso de gradiente.

⬤ Construyendo tu primera red neuronal profunda: introducción a la retropropagación.

⬤ Cómo imaginar redes neuronales: en tu cabeza y en papel.

⬤ Aprender la señal e ignorar el ruido: introducción a la regularización y la dosificación.

⬤ Modelado de probabilidades y no linealidades: funciones de activación.

⬤ Aprendizaje neuronal sobre bordes y esquinas: introducción a las redes neuronales convolucionales.

⬤ Redes neuronales que entienden el lenguaje: rey - hombre + mujer ==?

⬤ Redes neuronales que escriben como Shakespeare: capas recurrentes para datos de longitud variable.

⬤ Introducción a la optimización automática: construyamos un marco de aprendizaje profundo.

⬤ Aprendiendo a escribir como Shakespeare: memoria a largo plazo.

⬤ Aprendizaje profundo sobre datos no vistos: introduciendo el aprendizaje federado.

⬤ A dónde ir desde aquí: una breve guía.