Aprendizaje profundo avanzado con Python

Opiniones de los lectores

El libro 'Advanced Deep Learning with Python', de Ivan Vasilev, es muy apreciado por su exploración exhaustiva y en profundidad de los conceptos del aprendizaje profundo, haciendo hincapié en las matemáticas subyacentes y las aplicaciones prácticas en Python. Dirigido a lectores con una base en IA y aprendizaje automático, cubre una amplia gama de temas, incluyendo arquitecturas de redes neuronales, visión por ordenador, procesamiento del lenguaje natural y tecnologías emergentes. Aunque el libro es exhaustivo y está bien estructurado, se recomienda principalmente a quienes ya tienen algún conocimiento del tema.

⬤ Cobertura en profundidad de los conceptos de aprendizaje profundo.
⬤ Explicaciones claras y bien estructuradas de los fundamentos matemáticos.
⬤ Ejemplos de código Python accesibles disponibles en GitHub.
⬤ Capítulos independientes que permiten centrar el estudio en temas específicos.
⬤ Valioso tanto para la comprensión teórica como para la implementación práctica.
⬤ Adecuado para aplicaciones avanzadas como GANs y NLP.
⬤ Ideal para aprender las complejidades de las redes neuronales y algoritmos relacionados.

⬤ No apto para principiantes; se recomienda tener conocimientos previos de aprendizaje profundo.
⬤ Algunos lectores pueden necesitar conocimientos de Python para entender los ejemplos de código.
⬤ Algunos lectores pueden encontrar las matemáticas desafiantes si carecen de una base sólida.
⬤ Es posible que el libro no sirva como introducción independiente para quienes no estén familiarizados con los marcos de aprendizaje profundo.

(basado en 23 opiniones de lectores)

Título original:

Advanced Deep Learning with Python

Contenido del libro:

Adquiera experiencia en dominios avanzados de aprendizaje profundo como redes neuronales, metaaprendizaje, redes neuronales gráficas y redes neuronales con memoria aumentada utilizando el ecosistema de Python Características principales Familiarícese con la construcción de arquitecturas de aprendizaje profundo más rápidas y robustas Investigue y entrene modelos de redes neuronales convolucionales (CNN) con bibliotecas aceleradas por GPU como TensorFlow y PyTorch Aplique redes neuronales profundas (DNN) a problemas de visión por ordenador, PNL y GAN Descripción del libro.

Para construir sistemas robustos de aprendizaje profundo, necesitarás entenderlo todo, desde cómo funcionan las redes neuronales hasta el entrenamiento de modelos CNN. En este libro, descubrirá modelos de aprendizaje profundo desarrollados recientemente, metodologías utilizadas en el dominio y su implementación basada en áreas de aplicación.

Empezará por comprender los componentes básicos y las matemáticas que hay detrás de las redes neuronales, para pasar después a las CNN y sus aplicaciones avanzadas en visión por ordenador. También aprenderá a aplicar las arquitecturas CNN más populares en la detección de objetos y la segmentación de imágenes. Más adelante, se centrará en los autocodificadores variacionales y las GAN. A continuación, utilizará redes neuronales para extraer sofisticadas representaciones vectoriales de palabras, antes de pasar a cubrir varios tipos de redes recurrentes, como LSTM y GRU. Incluso explorará el mecanismo de atención para procesar datos secuenciales sin la ayuda de redes neuronales recurrentes (RNN). Más adelante, utilizará redes neuronales gráficas para procesar datos estructurados, además de cubrir el metaaprendizaje, que permite entrenar redes neuronales con menos muestras de entrenamiento. Por último, comprenderás cómo aplicar el aprendizaje profundo a los vehículos autónomos.

Al final de este libro, usted habrá dominado los conceptos clave de aprendizaje profundo y las diferentes aplicaciones de los modelos de aprendizaje profundo en el mundo real. Lo que aprenderá Cubrir arquitecturas de redes neuronales avanzadas y de última generación Entender la teoría y las matemáticas detrás de las redes neuronales Entrenar DNNs y aplicarlas a problemas modernos de aprendizaje profundo Usar CNNs para la detección de objetos y la segmentación de imágenes Implementar redes generativas adversariales (GANs) y autocodificadores variacionales para generar nuevas imágenes Resolver tareas de procesamiento de lenguaje natural (NLP), como la traducción automática, utilizando modelos de secuencia a secuencia Entender técnicas de DL, como el metaaprendizaje y las redes neuronales gráficas A quién va dirigido este libro.

Este libro está dirigido a científicos de datos, ingenieros e investigadores de aprendizaje profundo y desarrolladores de IA que deseen ampliar sus conocimientos sobre aprendizaje profundo y crear proyectos de aprendizaje profundo innovadores y únicos. Este libro también resultará útil a quienes deseen familiarizarse con los casos de uso avanzados y las metodologías adoptadas en el ámbito del aprendizaje profundo mediante ejemplos reales. Se presupone una comprensión básica de los conceptos del aprendizaje profundo y conocimientos prácticos del lenguaje de programación Python. Tabla de contenidos Los entresijos de las redes neuronales Comprensión de las redes convolucionales Redes convolucionales avanzadas Detección de objetos y segmentación de imágenes Modelos generativos Modelado del lenguaje Comprensión de las redes recurrentes Modelos secuencia a secuencia y atención Diseños emergentes de redes neuronales Metaaprendizaje Aprendizaje profundo para vehículos autónomos