Opiniones de los lectores
Resumen:El libro sobre aprendizaje profundo para datos tabulares ha sido reseñado con opiniones encontradas. Mientras que algunos lectores aprecian su cobertura exhaustiva, sus explicaciones intuitivas y su claridad a la hora de presentar conceptos complejos, otros lo critican por ser excesivamente genérico, carecer de una intuición clara y presentar diagramas confusos.
Ventajas:Cobertura exhaustiva del aprendizaje profundo para datos tabulares, explicaciones intuitivas para principiantes, bien escrito y accesible tanto para principiantes como para personas con experiencia, incluye temas valiosos como la interpretabilidad de redes neuronales y métodos extensos presentados con claridad.
Desventajas:Algunas secciones carecen de claridad e intuición, muy centradas en conceptos genéricos de aprendizaje profundo con conjuntos de datos reciclados, razonamiento poco claro para la aplicación del aprendizaje profundo a datos tabulares, dificultades con la notación en los diagramas, y algunos problemas técnicos para ciertos lectores en dispositivos Kindle.
(basado en 8 opiniones de lectores)
Título original:
Modern Deep Learning for Tabular Data: Novel Approaches to Common Modeling Problems
Contenido del libro:
El aprendizaje profundo es una de las herramientas más potentes del panorama moderno de la inteligencia artificial. Aunque se ha aplicado predominantemente a conjuntos de datos altamente especializados de imágenes, texto y señales, este libro sintetiza y presenta nuevos enfoques de aprendizaje profundo para un dominio aparentemente improbable: los datos tabulares. Ya sea para finanzas, negocios, seguridad, medicina o cualquier otro ámbito, el aprendizaje profundo puede ayudar a extraer y modelar patrones complejos en datos tabulares, una forma increíblemente ubicua de datos estructurados.
La parte I del libro ofrece una visión rigurosa de los principios del aprendizaje automático, los algoritmos y las habilidades de implementación relevantes para el modelado holístico y la manipulación de datos tabulares. La Parte II estudia cinco diseños dominantes de modelos de aprendizaje profundo -redes neuronales artificiales, redes neuronales convolucionales, redes neuronales recurrentes, atención y transformadores, y redes arborescentes- a través tanto de su uso "por defecto" como de su aplicación a datos tabulares. La Parte III complementa la potencia de los métodos anteriores con estrategias y técnicas para potenciar los sistemas de aprendizaje profundo: autocodificadores, generación de datos profundos, metaoptimización, disposición multimodelo e interpretabilidad de redes neuronales. Cada capítulo viene con una amplia visualización, código y cobertura de investigación relevante.
Modern Deep Learning for Tabular Data es uno de los primeros de su clase - una amplia exploración de la teoría del aprendizaje profundo y sus aplicaciones a datos tabulares, integrando y documentando métodos y técnicas novedosas en el campo. Este libro proporciona un sólido conjunto de herramientas conceptuales y teóricas para abordar desafiantes problemas de datos tabulares.
Lo que aprenderá
⬤ Conceptos y desarrollos importantes en el aprendizaje automático moderno y el aprendizaje profundo, con un fuerte énfasis en las aplicaciones de datos tabulares.
⬤ Comprender los vínculos prometedores entre el aprendizaje profundo y los datos tabulares, y cuándo un enfoque de aprendizaje profundo es o no es apropiado.
⬤ Aplique investigaciones prometedoras y enfoques de modelado únicos en contextos de datos del mundo real.
⬤ Explorar y comprometerse con los avances teóricos modernos y respaldados por la investigación sobre el modelado tabular profundo.
⬤ Utilizar métodos de preprocesamiento únicos y exitosos para preparar datos tabulares para un modelado exitoso.
A quién va dirigido este libroCientíficos de datos e investigadores de todos los niveles, desde principiantes hasta avanzados, que busquen mejorar los resultados en datos tabulares con aprendizaje profundo o comprender los aspectos teóricos y prácticos de la investigación en modelado tabular profundo. Aplicable a lectores que buscan aplicar el aprendizaje profundo a todo tipo de contextos de datos tabulares complejos, incluidos los negocios, las finanzas, la medicina, la educación y la seguridad.
