Descripción
Capítulo 1 - Introducción al Deep Learning
Una breve introducción al Machine Learning y al Deep Learning. Exploramos temas fundamentales dentro de la materia que nos proporcionan los componentes básicos para varios temas dentro de la misma.
Capítulo 2 - Introducción a PyTorch
Una guía de inicio rápido a PyTorch y una introducción exhaustiva a los tensores, el álgebra lineal y las operaciones matemáticas para los tensores. El capítulo proporciona los fundamentos de PyTorch necesarios para que los lectores implementen de manera significativa soluciones prácticas de Deep Learning para varios temas del libro. Los temas avanzados de PyTorch se exploran a medida que se tocan durante el curso de los ejercicios en capítulos posteriores.
Capítulo 3- Redes neuronales de avance (30 páginas)
En este capítulo, exploramos los componentes básicos de una red neuronal y desarrollamos una intuición sobre el entrenamiento y la evaluación de redes. Exploramos brevemente las funciones de pérdida, las funciones de activación, los optimizadores y la retropropagación, que podrían usarse para el entrenamiento. Finalmente, uniremos cada uno de estos componentes más pequeños en una red neuronal de avance completa con PyTorch.
Capítulo 4 - Diferenciación automática en Deep Learning
En este capítulo abrimos este tema de caja negra dentro de la retropropagación que permite el entrenamiento de redes neuronales, es decir, la diferenciación automática. Cubrimos una breve historia de otras técnicas que fueron descartadas en favor de la diferenciación automática y estudiamos el tema con un ejemplo práctico e implementamos el mismo utilizando el módulo Autograd de PyTorch.
Capítulo 5 - Entrenamiento de redes neuronales profundas
En este capítulo exploramos algunos temas adicionales importantes sobre el aprendizaje profundo y los implementamos en un ejemplo práctico. Profundizaremos en los detalles del rendimiento del modelo y estudiaremos en detalle el sobreajuste y el subajuste, la optimización de hiperparámetros y la regularización. Finalmente, aprovecharemos un conjunto de datos real y combinaremos nuestros aprendizajes desde el principio de este libro en un ejemplo práctico usando PyTorch.
Capítulo 6 - Redes neuronales convolucionales (35 páginas)
Introducción a las redes neuronales convolucionales para la visión por computadora. Exploramos los componentes centrales de las CNN con ejemplos para comprender el funcionamiento interno de la red, construir una intuición sobre la extracción automatizada de características, el intercambio de parámetros y, por lo tanto, comprender el proceso holístico de entrenamiento de CNN con bloques de construcción incrementales. También aprovechamos ejercicios prácticos para estudiar la implementación práctica de CNN para un conjunto de datos simple, es decir, MNIST (clasificación de dígitos escritos a mano), y luego extendemos el ejercicio para un caso de uso de clasificación binaria con el popular conjunto de datos de gatos y perros.Capítulo 7 - Redes neuronales recurrentes
Introducción a las redes neuronales recurrentes y sus variantes (a saber, RNN bidireccionales y LSTM). Exploramos la construcción de una unidad recurrente, estudiamos los antecedentes matemáticos y construimos una intuición sobre cómo se entrenan las RNN explorando una red simple de cuatro pasos desplegada. Luego exploramos ejercicios prácticos en procesamiento de lenguaje natural que aprovechan las RNN vanilla y luego mejoramos su rendimiento utilizando RNNS bidireccionales combinadas con capas LSTM.
Capítulo 8 - Avances recientes en Deep Learning
Se añadirá una breve nota sobre los avances de vanguardia en el campo. Exploramos inventos importantes dentro del campo sin detalles de implementación, sin embargo, nos centramos en las aplicaciones y el camino a seguir.Autor: Nikhil Ketkar, Jojo Moolayil
Editorial: Apress
Publicado: 04/10/2021
Páginas: 306
Tipo de encuadernación: Tapa blanda
Peso: 1.01 libras
Tamaño: 9.21 pulgadas de alto x 6.14 pulgadas de ancho x 0.68 pulgadas de profundidad
ISBN13: 9781484253632
ISBN10: 1484253639
Categorías BISAC:
- Computadoras | Ciencias de la Computación
- Computadoras | Programación | Orientado a objetos
- Matemáticas | Lógica
Sobre el autor
Nikhil S. Ketkar actualmente dirige el equipo de la Plataforma de Machine Learning en Flipkart, la empresa de comercio electrónico más grande de la India. Recibió su doctorado de la Universidad Estatal de Washington. Posteriormente, realizó una investigación postdoctoral en la Universidad de Carolina del Norte en Charlotte, a la que siguió una breve temporada en el trading de alta frecuencia en Transmaket en Chicago. Más recientemente, dirigió el equipo de minería de datos en Guavus, una startup que realiza análisis de big data en el dominio de las telecomunicaciones e Indix, una startup que realiza ciencia de datos en el dominio del comercio electrónico. Sus intereses de investigación incluyen el aprendizaje automático y la teoría de grafos.
Jojo Moolayil es un profesional de inteligencia artificial, aprendizaje profundo, aprendizaje automático y ciencia de decisiones con más de cinco años de experiencia industrial y es un autor publicado del libro Smarter Decisions - The Intersection of IoT and Decision Science. Ha trabajado con varios líderes de la industria en proyectos de ciencia de datos y aprendizaje automático de alto impacto y críticos en múltiples verticales. Actualmente está asociado con Amazon Web Services como científico investigador. Nació y creció en Pune, India, y se graduó de la Universidad de Pune con una especialización en Ingeniería de Tecnologías de la Información. Comenzó su carrera en Mu Sigma Inc., el proveedor de análisis puro más grande del mundo, y trabajó con los líderes de muchas empresas de Fortune 50. Más tarde trabajó con Flutura, una startup de análisis de IoT, y GE. Actualmente reside en Vancouver, Columbia Británica. Además de escribir libros sobre ciencia de decisiones e IoT, Jojo también ha sido revisor técnico de varios libros sobre aprendizaje automático, aprendizaje profundo y análisis de negocios con Apress y Packt Publications. Es un tutor activo de ciencia de datos y mantiene un blog en http://blog.jojomoolayil.com.