Aprendizaje en Profundidad: Teoría y Práctica de Redes Neuronales, Visión por Computador, Procesamiento del Lenguaje Natural y Transformadores Usando Tensorflo

Opiniones de los lectores

Este libro sobre aprendizaje profundo es elogiado por su redacción clara, sus ejemplos prácticos de codificación en TensorFlow y su capacidad para comunicar conceptos complejos de forma accesible. Sirve tanto a ingenieros que quieren aprender aprendizaje profundo para aplicaciones prácticas como a usuarios más avanzados que buscan una comprensión exhaustiva del campo. Sin embargo, puede no ser adecuado para principiantes absolutos o para quienes busquen un análisis matemático profundo.

Excelentes explicaciones de los conceptos, ejemplos prácticos de codificación, estilo de redacción accesible, adecuado tanto para principiantes como para expertos, cubre una amplia gama de arquitecturas y aplicaciones de aprendizaje profundo, contenido relevante y bien organizado, buena maquetación y diagramas.

Puede ser un poco apresurado en algunas áreas, puede no proporcionar suficiente profundidad para los principiantes absolutos o aquellos que buscan una comprensión matemática profunda, problemas de calidad de impresión con algunas copias.

(basado en 22 opiniones de lectores)

Título original:

Learning Deep Learning: Theory and Practice of Neural Networks, Computer Vision, Natural Language Processing, and Transformers Using Tensorflo

Contenido del libro:

Guía a todo color del aprendizaje profundo de NVIDIA: Todo lo que necesitas para empezar y obtener resultados.

"Para que todo el mundo pueda formar parte de esta revolución histórica es necesario democratizar el conocimiento y los recursos de la IA. Este libro es oportuno y relevante para lograr estos elevados objetivos".

-- Del prólogo de la Dra. Anima Anandkumar, Profesora Bren, Caltech, y Directora de Investigación de ML, NVIDIA.

"Ekman utiliza una técnica de aprendizaje que, en nuestra experiencia, ha demostrado ser fundamental para el éxito: pedir al lector que piense en cómo utilizar las técnicas de DL en la práctica. Su enfoque directo es refrescante, y permite al lector soñar, sólo un poco, sobre adónde puede llevarnos aún la DL".

-- Del prólogo del Dr. Craig Clawson, Director del Instituto de Aprendizaje Profundo de NVIDIA.

El aprendizaje profundo (AD) es un componente clave de los apasionantes avances actuales en aprendizaje automático e inteligencia artificial. Learning Deep Learning es una guía completa del aprendizaje profundo. Este libro es ideal para desarrolladores, científicos de datos, analistas y otros profesionales, incluidos aquellos que no tienen experiencia previa en aprendizaje automático o estadística.

Tras presentar los componentes esenciales de las redes neuronales profundas, como las neuronas artificiales y las capas totalmente conectadas, convolucionales y recurrentes, Magnus Ekman muestra cómo utilizarlos para construir arquitecturas avanzadas, incluido el Transformer. Describe cómo se utilizan estos conceptos para construir redes modernas de visión por ordenador y procesamiento del lenguaje natural (PLN), como Mask R-CNN, GPT y BERT. Y explica cómo funciona un traductor de lenguaje natural y un sistema que genera descripciones de imágenes en lenguaje natural.

A lo largo de todo el libro, Ekman proporciona ejemplos de código concisos y bien anotados utilizando TensorFlow con Keras. Los ejemplos correspondientes de PyTorch se proporcionan en línea, y el libro cubre así las dos bibliotecas de Python dominantes para DL utilizadas en la industria y el mundo académico. Concluye con una introducción a la búsqueda de arquitectura neuronal (NAS), explorando importantes cuestiones éticas y proporcionando recursos para un mayor aprendizaje.

⬤ Explore y domine conceptos básicos: perceptrones, aprendizaje basado en gradientes, neuronas sigmoides y retropropagación.

⬤ Ver cómo los marcos de trabajo de DL facilitan el desarrollo de redes neuronales más complicadas y útiles.

⬤ Descubra cómo las redes neuronales convolucionales (CNN) revolucionan la clasificación y el análisis de imágenes.

⬤ Aplicar redes neuronales recurrentes (RNN) y memoria a corto plazo (LSTM) a texto y otras secuencias de longitud variable.

⬤ Dominar la PNL con redes secuencia a secuencia y la arquitectura Transformer.

⬤ Construir aplicaciones de traducción de lenguaje natural y subtitulado de imágenes.

La invención de la GPU por parte de NVIDIA desencadenó el mercado de los juegos para PC. El trabajo pionero de la compañía en el campo de la aceleración computacional -una forma de cálculo sobrealimentada en la intersección de los gráficos por ordenador, la computación de alto rendimiento y la IA- está reconfigurando sectores que mueven billones de dólares, como el transporte, la sanidad y la fabricación, e impulsando el crecimiento de muchos otros.

Registre su libro para acceder cómodamente a descargas, actualizaciones y/o correcciones en cuanto estén disponibles. Consulte el interior del libro para más detalles.