Aprendizaje profundo generativo: Enseñar a las máquinas a pintar, escribir, componer y jugar

Opiniones de los lectores

Las reseñas elogian el libro por sus explicaciones claras de los conceptos del aprendizaje generativo profundo y su contenido bien estructurado, que equilibra la teoría con las aplicaciones prácticas. Los lectores destacan la profundidad de la información proporcionada sobre diversos modelos generativos y el atractivo estilo de redacción del autor. Sin embargo, hay críticas notables en relación con la calidad de los ejemplos de código en la edición Kindle y algunos problemas con la ejecución de las demos.

⬤ Estructura excelente y fácil de seguir.
⬤ Explicaciones claras de conceptos complejos.
⬤ Buen equilibrio entre teoría y ejemplos prácticos.
⬤ Cobertura exhaustiva de los modelos generativos.
⬤ Estilo de redacción ameno y humorístico.
⬤ Numerosos ejemplos de código con buenas fuentes.

⬤ Mala calidad de las ecuaciones y notaciones matemáticas en la edición Kindle.
⬤ Algunos ejemplos de código son difíciles de ejecutar debido a problemas de compatibilidad y bibliotecas obsoletas.
⬤ Algunos revisores observaron que los resultados de entrenamiento de los modelos no coincidían con los resultados esperados.
⬤ Falta una sección sobre la evaluación de la calidad de los resultados generados.

(basado en 24 opiniones de lectores)

Título original:

Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play

Contenido del libro:

El modelado generativo es uno de los temas más candentes de la IA. Ahora es posible enseñar a una máquina a sobresalir en tareas humanas como pintar, escribir y componer música. Con este libro práctico, los ingenieros de aprendizaje automático y los científicos de datos descubrirán cómo recrear algunos de los ejemplos más impresionantes de modelos generativos de aprendizaje profundo, como los autocodificadores variacionales, las redes generativas adversariales (GAN), los transformadores, los flujos normalizadores y los modelos de difusión.

El autor, David Foster, muestra el funcionamiento interno de cada técnica, empezando por los fundamentos del aprendizaje profundo antes de avanzar hacia algunos de los algoritmos más vanguardistas en este campo. A través de consejos y trucos, comprenderá cómo hacer que sus modelos aprendan de forma más eficiente y sean más creativos.

⬤ Descubra cómo los autoencoders variacionales pueden cambiar las expresiones faciales en las fotos.

⬤ Construya ejemplos prácticos de GAN desde cero para generar imágenes basadas en su propio conjunto de datos.

⬤ Crear modelos generativos autorregresivos, como LSTMs para la generación de texto y modelos PixelCNN para la generación de imágenes.

⬤ Construir modelos de generación de música, utilizando Transformers y MuseGAN.

⬤ Explorar el funcionamiento interno de arquitecturas de última generación como StyleGAN, VQ-VAE, BERT y GPT-3.

⬤ Profundizar en las aplicaciones prácticas actuales de los modelos generativos, como la transferencia de estilos (CycleGAN, transferencia neural de estilos) y los modelos multimodales (CLIP y DALL. E 2) para la generación de texto a imagen.

⬤ Comprender cómo los modelos generativos pueden ayudar a los agentes a realizar tareas en un entorno de aprendizaje por refuerzo.

⬤ Comprender cómo puede evolucionar el futuro de los modelos generativos y cómo las empresas tendrán que adaptarse para aprovechar las nuevas tecnologías.