Matemáticas prácticas para el aprendizaje profundo: Construye una base matemática sólida para entrenar redes neuronales profundas eficientes

Opiniones de los lectores

El libro ha recibido críticas dispares: algunos elogian sus explicaciones claras y su accesibilidad para principiantes, mientras que otros lo critican por su mala redacción, sus errores y su falta de profundidad en el rigor matemático.

⬤ El libro explica los conceptos matemáticos de forma clara y sencilla, lo que lo hace accesible para quienes se inician en el aprendizaje profundo y carecen de una sólida formación matemática.
⬤ Ofrece buenos recorridos por las operaciones de las redes neuronales y comparaciones de arquitecturas.
⬤ A muchos usuarios les ha servido para refrescar principios matemáticos clave relacionados con el aprendizaje automático.
⬤ Se recomienda para lectores que buscan una comprensión intuitiva en lugar de detalles matemáticos rigurosos.

⬤ Se critica que la redacción es pobre, con muchas erratas e información incorrecta, lo que lleva a confusión.
⬤ Algunas reseñas mencionan una falta de explicaciones exhaustivas y una tendencia a saltar entre conceptos sin suficiente detalle.
⬤ Se informa de graves inexactitudes y de una falta de rigor matemático que podría inducir a error a los lectores.
⬤ Puede no ser adecuado para quienes tengan un buen dominio de las matemáticas y deseen profundizar en su comprensión, ya que algunos lo encontraron demasiado superficial.

(basado en 16 opiniones de lectores)

Título original:

Hands-On Mathematics for Deep Learning: Build a solid mathematical foundation for training efficient deep neural networks

Contenido del libro:

Una guía completa para familiarizarse con las técnicas matemáticas para construir arquitecturas modernas de aprendizaje profundo.

Características principales

⬤ Entender el álgebra lineal, el cálculo, los algoritmos de gradiente y otros conceptos esenciales para el entrenamiento de redes neuronales profundas.

⬤ Aprenda los conceptos matemáticos necesarios para comprender cómo funcionan los modelos de aprendizaje profundo.

⬤ Utilizar el aprendizaje profundo para resolver problemas relacionados con aplicaciones de visión, imagen, texto y secuencias.

Descripción del libro

La mayoría de los programadores y científicos de datos luchan con las matemáticas, habiendo pasado por alto u olvidado conceptos matemáticos básicos. Este libro utiliza librerías de Python para ayudarle a entender las matemáticas necesarias para construir modelos de aprendizaje profundo (DL).

Comenzará aprendiendo las principales técnicas matemáticas y computacionales modernas que se utilizan para diseñar e implementar algoritmos de redes neuronales profundas. Este libro cubrirá temas esenciales, como álgebra lineal, valores y vectores propios, el concepto de descomposición de valor singular y algoritmos de gradiente, para ayudarle a entender cómo entrenar redes neuronales profundas. Los capítulos posteriores se centran en redes neuronales importantes, como la red neuronal lineal y los perceptrones multicapa, con el objetivo principal de ayudarle a aprender cómo funciona cada modelo. A medida que avance, profundizará en las matemáticas utilizadas para la regularización, la DL multicapa, la propagación hacia delante, la optimización y las técnicas de retropropagación para comprender lo que se necesita para construir modelos de DL completos. Por último, explorará los modelos CNN, redes neuronales recurrentes (RNN) y GAN y su aplicación.

Al final de este libro, usted habrá construido una base sólida en redes neuronales y conceptos matemáticos de DL, lo que le ayudará a investigar con confianza y construir modelos personalizados en DL.

Lo que aprenderá

⬤ Comprender los conceptos matemáticos clave para construir modelos de redes neuronales.

⬤ Descubrir conceptos básicos de cálculo multivariable.

⬤ Mejorar el rendimiento de los modelos de aprendizaje profundo utilizando técnicas de optimización.

⬤ Cubrir los algoritmos de optimización, desde el descenso de gradiente estocástico básico (SGD) hasta el optimizador Adam avanzado.

⬤ Comprender los grafos computacionales y su importancia en el aprendizaje profundo.

⬤ Explorar el algoritmo de retropropagación para reducir el error de salida.

⬤ Cubrir algoritmos de DL como redes neuronales convolucionales (CNNs), modelos de secuencia y redes generativas adversariales (GANs).

A quién va dirigido este libro

Este libro es para científicos de datos, desarrolladores de aprendizaje automático, aspirantes a desarrolladores de aprendizaje profundo o cualquier persona que quiera comprender los fundamentos del aprendizaje profundo aprendiendo las matemáticas detrás de él. Se requiere un conocimiento práctico del lenguaje de programación Python y de los fundamentos del aprendizaje automático.