Deep Learning Cookbook: Recetas prácticas para empezar rápidamente

Opiniones de los lectores

El libro es elogiado por su enfoque práctico del aprendizaje profundo, que hace accesibles los temas complejos a quienes tienen conocimientos básicos de programación. Abarca diversos temas, como la clasificación de textos, el procesamiento de imágenes y el análisis musical, acompañados de útiles cuadernos de Python. Sin embargo, tiene algunas limitaciones, como estar en blanco y negro y requerir modificaciones para que algunos ejemplos de código funcionen correctamente.

Cubre una gran variedad de temas en deep learning, enfoque práctico, diagramas sencillos, tono ameno, bien escrito, acompañado de Python Notebooks, y ejemplos compartidos en GitHub. Contiene contenido único como análisis de música.

El formato en blanco y negro puede no ser ideal para todas las salidas, algunos ejemplos de código necesitan modificaciones antes de ejecutarse, y no cubre el aprendizaje profundo por refuerzo.

(basado en 7 opiniones de lectores)

Título original:

Deep Learning Cookbook: Practical Recipes to Get Started Quickly

Contenido del libro:

El aprendizaje profundo no tiene por qué ser intimidante. Hasta hace poco, este método de aprendizaje automático requería años de estudio, pero con marcos de trabajo como Keras y Tensorflow, los ingenieros de software sin formación en aprendizaje automático pueden entrar rápidamente en este campo. Con las recetas de este libro de cocina, aprenderá a resolver problemas de aprendizaje profundo para clasificar y generar texto, imágenes y música.

Cada capítulo consta de varias recetas necesarias para completar un único proyecto, como el entrenamiento de un sistema de recomendación de música. El autor, Douwe Osinga, también ofrece un capítulo con media docena de técnicas que le ayudarán si se queda atascado. Los ejemplos están escritos en Python con código disponible en GitHub como un conjunto de cuadernos de Python.

Aprenderás a:

⬤ Crear aplicaciones que servirán a usuarios reales.

⬤ Utilizar incrustaciones de palabras para calcular la similitud de texto.

⬤ Construir un sistema de recomendación de películas basado en enlaces de Wikipedia.

⬤ Aprender cómo las IAs ven el mundo mediante la visualización de su estado interno.

⬤ Construir un modelo para sugerir emojis para fragmentos de texto.

⬤ Reutilizar redes preentrenadas para construir un servicio de búsqueda inversa de imágenes.

⬤ Comparar cómo los GANs, autoencoders y LSTMs generan iconos.

⬤ Detectar estilos musicales e indexar colecciones de canciones.