Modelización generativa profunda

Opiniones de los lectores

El libro sirve de clara introducción al modelado generativo y abarca diversos tipos y aplicaciones. Sin embargo, se le critica su brevedad y la falta de profundidad en las explicaciones y la aplicación práctica.

⬤ Introducción clara y concisa al modelado generativo
⬤ Cubre una gama de modelos y aplicaciones interesantes
⬤ Buen punto de partida para principiantes
⬤ Proporciona código Pytorch y referencias
⬤ Bien ilustrado con figuras útiles.

⬤ Las descripciones son demasiado breves para una comprensión profunda
⬤ Ejemplos de código básico con capacidades limitadas
⬤ Profundidad matemática insuficiente para lectores avanzados
⬤ Carece de ilustraciones detalladas para ecuaciones complejas
⬤ En general, se considera excesivamente caro y simplista.

(basado en 4 opiniones de lectores)

Título original:

Deep Generative Modeling

Contenido del libro:

Este libro de texto aborda el problema de la formulación de sistemas de IA combinando el modelado probabilístico y el aprendizaje profundo. Además, va más allá del típico modelado predictivo y aúna el aprendizaje supervisado y el aprendizaje no supervisado. El paradigma resultante, denominado modelado generativo profundo, utiliza la perspectiva generativa para percibir el mundo circundante. Supone que cada fenómeno está impulsado por un proceso generativo subyacente que define una distribución conjunta sobre variables aleatorias y sus interacciones estocásticas, es decir, cómo se producen los acontecimientos y en qué orden. El adjetivo "profundo" procede del hecho de que la distribución se parametriza mediante redes neuronales profundas. La modelización generativa profunda tiene dos rasgos distintivos. En primer lugar, la aplicación de redes neuronales profundas permite una parametrización rica y flexible de las distribuciones. En segundo lugar, la manera basada en principios de modelar las dependencias estocásticas utilizando la teoría de la probabilidad garantiza una formulación rigurosa y evita posibles fallos en el razonamiento. Además, la teoría de la probabilidad proporciona un marco unificado en el que la función de verosimilitud desempeña un papel crucial a la hora de cuantificar la incertidumbre y definir las funciones objetivo.

Deep Generative Modeling está diseñado para atraer a estudiantes, ingenieros e investigadores curiosos con una modesta formación matemática en cálculo universitario, álgebra lineal, teoría de la probabilidad y nociones básicas de aprendizaje automático, aprendizaje profundo y programación en Python y PyTorch (u otras bibliotecas de aprendizaje profundo). Será de interés para estudiantes e investigadores de diversos campos, como la informática, la ingeniería, la ciencia de datos, la física y la bioinformática, que deseen familiarizarse con el modelado generativo profundo. Para atraer al lector, el libro presenta los conceptos fundamentales con ejemplos concretos y fragmentos de código. El código completo que acompaña al libro está disponible en github.

El objetivo último del libro es esbozar las técnicas más importantes del modelado generativo profundo y, eventualmente, permitir a los lectores formular nuevos modelos e implementarlos.