TensorFlow 1.x Deep Learning Cookbook (Manual de aprendizaje profundo de TensorFlow 1.x)

Opiniones de los lectores

El libro recibe críticas mixtas, con algunos elogiando su amplia cobertura de TensorFlow y su enfoque práctico, mientras que otros lo critican por la mala edición, la falta de claridad, y numerosos errores.

El libro proporciona una visión general de alto nivel de TensorFlow, cubre una amplia gama de modelos de aprendizaje profundo, y sigue un formato de libro de cocina práctica, por lo que es útil para los usuarios avanzados. Los capítulos específicos, como los de Autoencoders y Reinforcement Learning, son particularmente bien recibidos. Simplifica conceptos complejos y ofrece buenos detalles sobre la implementación. También incluye instrucciones paso a paso para utilizar modelos TensorFlow en aplicaciones móviles.

Muchas reseñas destacan errores de edición significativos, como fragmentos de código incorrectos y un formato deficiente, que pueden inducir a confusión. Algunos lectores encuentran deficiente la organización del contenido, con ejemplos mal explicados. El libro es criticado por ser engañoso en su representación del contenido, ya que algunas secciones se basan en Keras en lugar de TensorFlow. Además, se afirma que muchos conceptos y fragmentos de código se pueden encontrar libremente en Internet, lo que hace que el libro tenga un precio excesivo.

(basado en 16 opiniones de lectores)

Título original:

TensorFlow 1.x Deep Learning Cookbook

Contenido del libro:

Dé el siguiente paso en la implementación de varias redes neuronales comunes y no tan comunes con Tensorflow 1. x

Características principales:

⬤ Skill up and implement tricky neural networks using Google's TensorFlow 1. x.

⬤ Una guía fácil de seguir que le permite explorar el aprendizaje por refuerzo, GANs, autoencoders, perceptrones multicapa y más.

⬤ Recetas prácticas para trabajar con Tensorflow en entornos de escritorio, móviles y en la nube.

Descripción del libro

Las redes neuronales profundas (DNN) han alcanzado un gran éxito en el campo de la visión por ordenador, el reconocimiento del habla y el procesamiento del lenguaje natural. Esta apasionante guía basada en recetas le llevará desde el ámbito de la teoría de las DNN hasta su implementación práctica para resolver problemas reales en el dominio de la inteligencia artificial.

En este libro, aprenderá a utilizar eficazmente TensorFlow, el marco de código abierto de Google para el aprendizaje profundo. Implementarás diferentes redes de aprendizaje profundo, como redes neuronales convolucionales (CNN), redes neuronales recurrentes (RNN), redes profundas de aprendizaje Q (DQN) y redes generativas adversariales (GAN), con recetas independientes fáciles de seguir. Aprenderá a utilizar TensorFlow con Keras como backend. Aprenderá cómo se comportan las diferentes DNN en algunos conjuntos de datos de uso popular, como MNIST, CIFAR-10 y Youtube8m. No sólo aprenderá acerca de las diferentes plataformas móviles y embebidas soportadas por TensorFlow, sino también cómo configurar plataformas en la nube para aplicaciones de aprendizaje profundo. También podrás echar un vistazo a la arquitectura TPU y cómo afectará al futuro de las DNNs.

Mediante el uso de recetas nítidas y sin sentido, te convertirás en un experto en la implementación de técnicas de aprendizaje profundo en crecientes aplicaciones del mundo real y áreas de investigación como el aprendizaje de refuerzo, GANs y autoencoders.

Lo que aprenderá:

⬤ Aprovechar diferentes conjuntos de datos como MNIST, CIFAR-10, y Youtube8m con TensorFlow y aprender a acceder y utilizarlos en su código.

⬤ Utilizar TensorBoard para comprender las arquitecturas de las redes neuronales, optimizar el proceso de aprendizaje y echar un vistazo al interior de la caja negra de las redes neuronales.

⬤ Utilizar diferentes técnicas de regresión para problemas de predicción y clasificación.

⬤ Construir perceptrones monocapa y multicapa en TensorFlow.

⬤ Implementar un CNN y un RNN en TensorFlow, y utilizarlos para resolver problemas del mundo real.

⬤ Aprender cómo Restricted Boltzmann Machines se puede utilizar para recomendar películas.

⬤ Comprender la implementación de autoencoders y redes de creencia profunda, y utilizarlos para la detección de emociones.

⬤ Dominar los diferentes métodos de aprendizaje por refuerzo para implementar agentes de juego.

A quién va dirigido:

Este libro está dirigido a analistas de datos, científicos de datos, profesionales del aprendizaje automático y entusiastas del aprendizaje profundo que deseen realizar tareas de aprendizaje profundo de forma habitual y busquen una guía práctica a la que puedan recurrir. Las personas que están ligeramente familiarizadas con las redes neuronales, y ahora quieren ganar experiencia en el trabajo con diferentes tipos de redes neuronales y conjuntos de datos, encontrarán este libro bastante útil.