Aprendizaje profundo con Keras

Opiniones de los lectores

El libro es una guía práctica para implementar modelos de aprendizaje profundo con Keras, ideal para quienes ya están familiarizados con el aprendizaje automático. Hace hincapié en los ejemplos de codificación por encima de la comprensión teórica, por lo que es adecuado para científicos de datos experimentados. Sin embargo, carece de profundidad en la teoría y se han observado problemas de formato, lo que podría dificultar la experiencia de lectura.

** Proporciona detalles prácticos de implementación y ejemplos de modelos de aprendizaje profundo utilizando Keras. ** Adecuado para lectores que ya entienden los conceptos de aprendizaje automático. ** Cubre investigaciones recientes e incluye ejemplos bien investigados. ** Introducción rápida y conveniente al uso de Keras.

** Carece de profundidad en explicaciones teóricas y matemáticas subyacentes. ** Muchos ejemplos son básicos sin suficiente contexto o explicación. ** Mal formato del libro, especialmente en la versión Kindle, con imágenes y código difíciles de leer. ** Algunos lectores lo encontraron excesivamente caro para el nivel de contenido proporcionado.

(basado en 42 opiniones de lectores)

Título original:

Deep Learning with Keras

Contenido del libro:

Nota del editor: Esta edición de 2017 está obsoleta y no es compatible con TensorFlow 2 ni con ninguna de las actualizaciones más recientes de las bibliotecas de Python. Ya se ha publicado una nueva segunda edición, actualizada para 2020 y con TensorFlow 2, la API Keras, CNNs, GANs, RNNs, NLP y AutoML.

Características principales

⬤ Implemente varios algoritmos de aprendizaje profundo en Keras y vea cómo se puede utilizar el aprendizaje profundo en los juegos.

⬤ Ver cómo varios modelos de aprendizaje profundo y casos de uso práctico se pueden implementar utilizando Keras.

⬤ Una guía práctica y práctica con ejemplos del mundo real para darle una base sólida en Keras.

Descripción del libro:

Este libro comienza introduciéndote en los algoritmos de aprendizaje supervisado, como la regresión lineal simple, el perceptrón multicapa clásico y las redes convolucionales profundas más sofisticadas. También explorará el procesamiento de imágenes con el reconocimiento de imágenes de dígitos manuscritos, la clasificación de imágenes en diferentes categorías y el reconocimiento avanzado de objetos con anotaciones de imágenes relacionadas. También se ofrece un ejemplo de identificación de puntos salientes para la detección de rostros.

A continuación, conocerá las redes recurrentes, optimizadas para procesar datos secuenciales como texto, audio o series temporales. A continuación, conocerá algoritmos de aprendizaje no supervisado, como los autocodificadores y las populares redes generativas adversariales (GAN). También explorará usos no tradicionales de las redes neuronales como la transferencia de estilos.

Por último, se estudiará el aprendizaje por refuerzo y su aplicación a los juegos de IA, otro campo popular de investigación y aplicación de las redes neuronales.

Lo que aprenderá:

⬤ Optimizar funciones paso a paso en una gran red neuronal utilizando el algoritmo de Backpropagation.

⬤ Fine-tune una red neuronal para mejorar la calidad de los resultados.

⬤ Utilizar el aprendizaje profundo para el procesamiento de imágenes y audio.

⬤ Utilizar redes neuronales tensoriales recursivas (RNTN) para superar la incrustación de palabras estándar en casos especiales.

⬤ Identificar los problemas para los que son adecuadas las soluciones de redes neuronales recurrentes (RNN).

⬤ Explorar el proceso necesario para implementar Autoencoders.

⬤ Evolucionar una red neuronal profunda utilizando el aprendizaje por refuerzo.

A quién va dirigido este libro:

Si usted es un científico de datos con experiencia en aprendizaje automático o un programador de IA con cierta exposición a las redes neuronales, encontrará este libro un punto de entrada útil para el aprendizaje profundo con Keras. Este libro requiere conocimientos de Python.