Aprendizaje profundo con Python - Tercera edición: Comprenda cómo funcionan las redes neuronales profundas y aplíquelas a tareas del mundo real

Opiniones de los lectores

El libro «Python Deep Learning» ofrece una guía práctica y completa para entender y construir modelos de aprendizaje profundo con Python. Equilibra los fundamentos teóricos con ejemplos prácticos, cubriendo temas esenciales como redes neuronales, redes convolucionales, procesamiento del lenguaje natural y MLOps. La redacción es clara y atractiva, por lo que resulta adecuado tanto para principiantes como para profesionales experimentados. Sin embargo, los lectores señalaron un posible salto en la complejidad en algunos momentos y sugirieron especificaciones de versiones más claras para Python y las bibliotecas.

Cobertura exhaustiva de los conceptos de aprendizaje profundo, desde los conceptos básicos hasta los temas avanzados.

Ejemplos prácticos y explicaciones claras.

(basado en 10 opiniones de lectores)

Título original:

Python Deep Learning - Third Edition: Understand how deep neural networks work and apply them to real-world tasks

Contenido del libro:

Domine la navegación efectiva de redes neuronales, incluyendo convoluciones y transformadores, para abordar tareas de visión por computador y PNL usando Python.

Características principales:

⬤ Entender la teoría, los fundamentos matemáticos y la estructura de las redes neuronales profundas.

⬤ Familiarizarse con transformadores, grandes modelos de lenguaje y redes convolucionales.

⬤ Aprenda a aplicarlos en diversos problemas de visión por ordenador y procesamiento del lenguaje natural La compra del libro impreso o Kindle incluye un eBook PDF gratuito.

Descripción del libro

El campo del aprendizaje profundo se ha desarrollado rápidamente en los últimos años y hoy abarca una amplia gama de aplicaciones. Esto hace que sea difícil de navegar y difícil de entender sin bases sólidas. Este libro le guiará desde los fundamentos de las redes neuronales hasta los modelos de lenguaje profundo más avanzados que se utilizan en la actualidad.

La primera parte del libro presenta los principales conceptos y paradigmas del aprendizaje automático. Abarca los fundamentos matemáticos, la estructura y los algoritmos de entrenamiento de las redes neuronales y se sumerge en la esencia del aprendizaje profundo.

La segunda parte del libro presenta las redes convolucionales para la visión por ordenador. Aprenderemos a resolver tareas de clasificación de imágenes, detección de objetos, segmentación de instancias y generación de imágenes.

La tercera parte se centra en el mecanismo de atención y los transformadores, la arquitectura de red central de los grandes modelos lingüísticos. Hablaremos de los nuevos tipos de tareas avanzadas que pueden resolver, como los bots de chat y la generación de texto a imagen.

Al final de este libro, conocerá a fondo el funcionamiento interno de las redes neuronales profundas. Tendrá la capacidad de desarrollar nuevos modelos o adaptar los existentes para resolver sus tareas. También tendrá los conocimientos suficientes para continuar su investigación y mantenerse al día de los últimos avances en este campo.

Qué aprenderás:

⬤ Establecer los fundamentos teóricos de las redes neuronales profundas.

⬤ Comprender las redes convolucionales y aplicarlas en aplicaciones de visión por ordenador.

⬤ Conocer el procesamiento del lenguaje natural y las redes recurrentes.

⬤ Explorar el mecanismo de atención y los transformadores.

⬤ Aplicar transformadores y grandes modelos de lenguaje para lenguaje natural y visión por computador.

⬤ Implementar ejemplos de codificación con PyTorch, Keras, y Transformadores de Caras Abrazadas.

⬤ Utilizar MLOps para desarrollar e implantar modelos de redes neuronales.

A quién va dirigido este libro:

Este libro es para desarrolladores/ingenieros de software, estudiantes, científicos de datos, analistas de datos, ingenieros de aprendizaje automático, estadísticos y cualquier persona interesada en el aprendizaje profundo. La experiencia previa con la programación en Python es un requisito previo.