Puntuación:
El libro es un recurso académico completo para comprender los fundamentos del aprendizaje profundo, haciendo hincapié en la teoría y los algoritmos, con explicaciones claras y una amplia cobertura de los últimos avances en este campo. Sin embargo, carece de ejemplos prácticos de programación y de una discusión sobre incrustaciones.
Ventajas:Bien organizado con explicaciones claras, cubre los conceptos fundamentales del aprendizaje profundo y las matemáticas relevantes, proporciona amplias actualizaciones que incluyen grandes modelos de lenguaje y arquitecturas modernas, incluye muchos ejercicios para reforzar los conceptos.
Desventajas:No incluye ejemplos prácticos de programación ni soluciones para los ejercicios, carece de una discusión sobre incrustaciones y requiere una sólida formación en cálculo y álgebra lineal.
(basado en 7 opiniones de lectores)
Neural Networks and Deep Learning: A Textbook
Este libro de texto abarca modelos clásicos y modernos de aprendizaje profundo e incluye ejemplos y ejercicios a lo largo de los capítulos. Se presentan en detalle métodos de aprendizaje profundo para diversos dominios de datos, como texto, imágenes y gráficos. Los capítulos de este libro abarcan tres categorías:
Fundamentos de las redes neuronales: En el capítulo 2 se analiza el algoritmo de retropropagación.
Muchos modelos tradicionales de aprendizaje automático pueden entenderse como casos especiales de redes neuronales. El capítulo 3 explora las conexiones entre el aprendizaje automático tradicional y las redes neuronales. Se demuestra que las máquinas de vectores soporte, la regresión lineal/logística, la descomposición de valores singulares, la factorización de matrices y los sistemas de recomendación son casos especiales de redes neuronales.
En los capítulos 4 y 5 se ofrece un análisis detallado del entrenamiento y la regularización. Los capítulos 6 y 7 presentan las redes de función de base radial (RBF) y las máquinas de Boltzmann restringidas.
Temas avanzados en redes neuronales: En los capítulos 8, 9 y 10 se tratan las redes neuronales recurrentes, las redes neuronales convolucionales y las redes neuronales gráficas. En los capítulos 11 y 12 se introducen varios temas avanzados como el aprendizaje profundo por refuerzo, los mecanismos de atención, las redes transformadoras, los mapas autoorganizativos de Kohonen y las redes generativas adversariales.
El libro de texto está dirigido a estudiantes de posgrado y de nivel superior. Los investigadores y profesionales que trabajen en este campo también querrán adquirirlo.
En la medida de lo posible, se destaca una visión centrada en la aplicación con el fin de proporcionar una comprensión de los usos prácticos de cada clase de técnicas.
La segunda edición se ha reorganizado y ampliado sustancialmente con capítulos separados sobre retropropagación y redes neuronales gráficas. Muchos capítulos se han revisado significativamente con respecto a la primera edición.
Se hace mayor hincapié en las ideas modernas de aprendizaje profundo, como los mecanismos de atención, los transformadores y los modelos de lenguaje preentrenados.
© Book1 Group - todos los derechos reservados.
El contenido de este sitio no se puede copiar o usar, ni en parte ni en su totalidad, sin el permiso escrito del propietario.
Última modificación: 2024.11.14 07:32 (GMT)