Deep Learning: A Practitioner's Approach

Opiniones de los lectores

En general, el libro ha sido bien recibido por su enfoque práctico del aprendizaje profundo, especialmente para los programadores de Java. Abarca una amplia gama de temas relacionados con el aprendizaje profundo y el marco DL4J, lo que lo hace accesible para los profesionales. Sin embargo, ha sido criticado por su falta de profundidad en las explicaciones teóricas y por tener problemas de claridad en el código. Algunos lectores también expresaron su preocupación por el enfoque en Java y algunos descuidos editoriales.

⬤ Excelente enfoque práctico para aplicar el aprendizaje profundo en proyectos reales.
⬤ Proporciona una clara visión conceptual de las arquitecturas de aprendizaje profundo.
⬤ Fácil de entender, incluso para quienes carecen de una sólida formación matemática.
⬤ Contiene valiosas ideas para utilizar el marco DL4J y sus aplicaciones.
⬤ Útil para obtener conocimientos tanto teóricos como aplicados cuando se combina con textos más teóricos.

⬤ Carece de profundidad en las explicaciones teóricas, lo que puede resultar confuso para los principiantes.
⬤ Los ejemplos de código están únicamente en Java, lo que limita la accesibilidad para los desarrolladores de Python.
⬤ Algunos lectores encontraron errores tipográficos, lo que suscita dudas sobre la calidad de la edición.
⬤ Los saltos entre conceptos básicos y avanzados pueden dejar a los lectores perdidos.
⬤ Algunos críticos consideraron que el contenido era demasiado superficial y más bien un refrito de materiales en línea.

(basado en 38 opiniones de lectores)

Contenido del libro:

Aunque el interés por el aprendizaje automático ha alcanzado un punto álgido, las grandes expectativas a menudo echan por tierra los proyectos antes de que lleguen muy lejos. ¿Cómo puede el aprendizaje automático, especialmente las redes neuronales profundas, marcar una diferencia real en su organización? Esta guía práctica no sólo proporciona la información más práctica disponible sobre el tema, sino que también le ayuda a empezar a construir redes de aprendizaje profundo eficientes.

Los autores Adam Gibson y Josh Patterson ofrecen teoría sobre el aprendizaje profundo antes de presentar su biblioteca de código abierto Deeplearning4j (DL4J) para desarrollar flujos de trabajo de producción. A través de ejemplos reales, aprenderá métodos y estrategias para entrenar arquitecturas de redes profundas y ejecutar flujos de trabajo de aprendizaje profundo en Spark y Hadoop con DL4J.

⬤ Sumérjase en los conceptos de aprendizaje automático en general, así como en el aprendizaje profundo en particular.

⬤ Entender cómo las redes profundas evolucionaron a partir de los fundamentos de las redes neuronales.

⬤ Explorar las principales arquitecturas de redes profundas, incluyendo Convolucional y Recurrente.

⬤ Aprender cómo asignar redes profundas específicas al problema correcto.

⬤ Recorrer los fundamentos del ajuste de redes neuronales generales y arquitecturas de redes profundas específicas.

⬤ Utilizar técnicas de vectorización para diferentes tipos de datos con DataVec, la herramienta de flujo de trabajo de DL4J.

⬤ Aprenda a utilizar DL4J de forma nativa en Spark y Hadoop.