Aprendizaje profundo práctico: Una introducción basada en Python

Opiniones de los lectores

El libro ofrece una introducción accesible y práctica al aprendizaje profundo, cubriendo los fundamentos con profundidad técnica. Muchos lectores lo consideran bien estructurado y pedagógicamente sólido, por lo que es adecuado tanto para ingenieros como para aficionados. Sin embargo, algunos críticos le achacan falta de profundidad en los ejemplos de aplicación y afirman que no proporciona información útil más allá de la disponible en línea de forma gratuita.

Introducción muy accesible, cobertura exhaustiva de los fundamentos, guía práctica con ejemplos de código, ayuda a desarrollar la intuición, bien estructurado y pedagógico.

Algunos consideran que no es ni práctico ni útil, que carece de aplicaciones completas; entre las críticas se incluye que hay información similar disponible gratuitamente en Internet.

(basado en 5 opiniones de lectores)

Título original:

Practical Deep Learning: A Python-Based Introduction

Contenido del libro:

Practical Deep Learning enseña a los principiantes cómo crear los conjuntos de datos y modelos necesarios para entrenar redes neuronales para sus propios proyectos de aprendizaje automático.

Si ha sentido curiosidad por el aprendizaje automático pero no sabía por dónde empezar, este es el libro que estaba esperando. Centrado en el subcampo del aprendizaje automático conocido como aprendizaje profundo, explica los conceptos básicos y le proporciona la base que necesita para empezar a construir sus propios modelos. En lugar de limitarse a esbozar recetas para utilizar los conjuntos de herramientas existentes, Aprendizaje profundo práctico le enseña el porqué del aprendizaje profundo y le inspirará para seguir explorando.

Todo lo que necesita es una familiaridad básica con la programación informática y las matemáticas de secundaria; el libro se encargará del resto. Tras una introducción a Python, avanzarás por temas clave como la construcción de un buen conjunto de datos de entrenamiento, el trabajo con las librerías scikit-learn y Keras, y la evaluación del rendimiento de tus modelos.

También aprenderás:

- Cómo utilizar modelos clásicos de aprendizaje automático como k-Nearest Neighbors, Random Forests y Support Vector Machines.

- Cómo funcionan las redes neuronales y cómo se entrenan.

- Cómo utilizar redes neuronales convolucionales.

- Cómo desarrollar un modelo de aprendizaje profundo exitoso desde cero.

Realizará experimentos a lo largo del proceso, hasta llegar a un caso práctico final que incorpora todo lo que ha aprendido.

La introducción perfecta a este campo dinámico y en constante expansión, Aprendizaje profundo práctico le dará las habilidades y la confianza para sumergirse en sus propios proyectos de aprendizaje automático.