Descripción
Aunque el interés en el aprendizaje automático ha alcanzado su punto álgido, las grandes expectativas a menudo frustran los proyectos antes de que lleguen muy lejos. ¿Cómo puede el aprendizaje automático, especialmente las redes neuronales profundas, marcar una verdadera diferencia en su organización? Esta guía práctica no solo proporciona la información más práctica disponible sobre el tema, sino que también le ayuda a empezar a construir redes de aprendizaje profundo eficientes.
Los autores Adam Gibson y Josh Patterson proporcionan la teoría sobre el aprendizaje profundo antes de presentar su biblioteca de código abierto Deeplearning4j (DL4J) para desarrollar flujos de trabajo de clase de producción. A través de ejemplos del mundo real, aprenderá métodos y estrategias para entrenar arquitecturas de redes profundas y ejecutar flujos de trabajo de aprendizaje profundo en Spark y Hadoop con DL4J.
- Profundice en los conceptos de aprendizaje automático en general, así como en el aprendizaje profundo en particular
- Comprenda cómo las redes profundas evolucionaron a partir de los fundamentos de las redes neuronales
- Explore las principales arquitecturas de redes profundas, incluidas las convolucionales y las recurrentes
- Aprenda a asignar redes profundas específicas al problema correcto
- Repase los fundamentos de la optimización de redes neuronales generales y arquitecturas de redes profundas específicas
- Utilice técnicas de vectorización para diferentes tipos de datos con DataVec, la herramienta de flujo de trabajo de DL4J
- Aprenda a usar DL4J de forma nativa en Spark y Hadoop
Autor: Josh Patterson, Adam Gibson
Editorial: O'Reilly Media
Publicado: 29/08/2017
Páginas: 530
Tipo de encuadernación: Tapa blanda
Peso: 1.80lbs
Tamaño: 9.10h x 7.00w x 1.00d
ISBN13: 9781491914250
ISBN10: 1491914254
Categorías BISAC:
- Computadoras | Ciencia de datos | Análisis de datos
- Computadoras | Ciencia de datos | Modelado y diseño de datos
Acerca del autor
Josh Patterson es CEO de Patterson Consulting, un integrador de soluciones en la intersección del big data y el aprendizaje automático aplicado. En este rol, aporta su perspectiva única que combina una década de experiencia en big data y una amplia experiencia en aprendizaje profundo a proyectos de Fortune 500. En la Autoridad del Valle de Tennessee (TVA), Josh impulsó la integración de Apache Hadoop para el almacenamiento y procesamiento de datos a gran escala de datos de unidades de medición fasorial (PMU) de redes inteligentes. Después de TVA, Josh fue arquitecto principal de soluciones para una joven startup de Hadoop llamada Cloudera (CLDR), como empleado número 34. Después de dejar Cloudera, Josh cofundó el proyecto Deeplearning4j y coescribió Deep Learning: A Practitioner's Approach (O'Reilly Media). Josh también fue vicepresidente de ingeniería de campo para Skymind.
Adam Gibson es un especialista en aprendizaje profundo con sede en San Francisco que trabaja con empresas de Fortune 500, fondos de cobertura, empresas de relaciones públicas y aceleradoras de startups para crear sus proyectos de aprendizaje automático. Adam tiene un sólido historial ayudando a las empresas a manejar e interpretar grandes datos en tiempo real. Adam ha sido un geek de la informática desde los 13 años y contribuye activamente a la comunidad de código abierto a través de deeplearning4j.org.