Aprendizaje profundo

Opiniones de los lectores

El libro Deep Learning (Aprendizaje profundo), de Ian Goodfellow, Yoshua Bengio y Aaron Courville, ha recibido elogios por su exhaustiva cobertura de temas avanzados del aprendizaje profundo, que ofrece una perspectiva única y una visión profunda de este campo. Sin embargo, se enfrenta a críticas por su mala calidad de impresión, la poca claridad con la que se dirige al público y la densa presentación matemática, que lo hace menos accesible para los principiantes.

⬤ Cobertura exhaustiva de temas de aprendizaje profundo e investigación reciente.
⬤ Excelentes explicaciones de conceptos avanzados.
⬤ Inclusión de fundamentos teóricos junto con consideraciones prácticas.
⬤ Escrito por destacados expertos en la materia.
⬤ Estructura bien organizada dividida en conceptos matemáticos, técnicas y aplicaciones.

⬤ La notación matemática densa puede dificultar la comprensión de conceptos sencillos.
⬤ Asume una sólida formación en álgebra lineal y cálculo, lo que puede alejar a los principiantes.
⬤ Algunos lectores consideran que el estilo de escritura es árido y carece de fluidez pedagógica.
⬤ La calidad de impresión y encuadernación de algunas ediciones es deficiente.
⬤ El público al que va dirigido no está claro; puede que no sirva eficazmente a los profesionales que buscan aplicaciones prácticas.

(basado en 673 opiniones de lectores)

Título original:

Deep Learning

Contenido del libro:

Una introducción a una amplia gama de temas del aprendizaje profundo, que abarca antecedentes matemáticos y conceptuales, técnicas de aprendizaje profundo utilizadas en la industria y perspectivas de investigación.

«Escrito por tres expertos en la materia, Deep Learning es el único libro completo sobre el tema» --Elon Musk.

--Elon Musk, copresidente de OpenAI; cofundador y consejero delegado de Tesla y SpaceX.

El aprendizaje profundo es una forma de aprendizaje automático que permite a los ordenadores aprender de la experiencia y entender el mundo en términos de una jerarquía de conceptos. Como el ordenador adquiere conocimientos a partir de la experiencia, no es necesario que un operador humano especifique formalmente todos los conocimientos que el ordenador necesita. La jerarquía de conceptos permite al ordenador aprender conceptos complicados construyéndolos a partir de otros más sencillos; un gráfico de estas jerarquías tendría muchas capas de profundidad. Este libro presenta una amplia gama de temas relacionados con el aprendizaje profundo.

El texto ofrece una base matemática y conceptual que abarca conceptos relevantes de álgebra lineal, teoría de la probabilidad y teoría de la información, cálculo numérico y aprendizaje automático. Describe las técnicas de aprendizaje profundo utilizadas por los profesionales de la industria, incluidas las redes profundas de realimentación, la regularización, los algoritmos de optimización, las redes convolucionales, el modelado de secuencias y la metodología práctica, y examina aplicaciones como el procesamiento del lenguaje natural, el reconocimiento del habla, la visión por ordenador, los sistemas de recomendación en línea, la bioinformática y los videojuegos. Por último, el libro ofrece perspectivas de investigación, abarcando temas teóricos como los modelos factoriales lineales, los autocodificadores, el aprendizaje de representación, los modelos probabilísticos estructurados, los métodos Monte Carlo, la función de partición, la inferencia aproximada y los modelos generativos profundos.

Deep Learning puede ser utilizado por estudiantes de grado o posgrado que planeen carreras en la industria o la investigación, y por ingenieros de software que quieran empezar a utilizar el aprendizaje profundo en sus productos o plataformas. Un sitio web ofrece material complementario tanto para lectores como para instructores.