Descripción
Capítulo 1
Bienvenido a TensorFlow.js
Encabezados
● ¿Qué es TensorFlow.js?
-
● API de TensorFlow.js
○ Tensores
○ Operaciones ○ Variables
● Cómo instalarlo
● Casos de uso
Capítulo 2
Creando tu primer modelo
Encabezados
● Construyendo un modelo de clasificación de regresión logística
● Construyendo un modelo de regresión lineal
● Realizando aprendizaje no supervisado con k-means
● Reducción de dimensionalidad y visualización con t-SNE y d3.js
-
● Nuestra primera red neuronal
Capítulo 3
Crear una aplicación de dibujo para predecir dígitos escritos a mano usando
Redes neuronales convolucionales y MNIST
Encabezados
● Redes neuronales convolucionales
● El conjunto de datos MNIST
● Diseñar la arquitectura del modelo
● Entrenar el modelo
● Evaluar el modelo
● Construir la aplicación de dibujo
● Integrar el modelo dentro de la aplicación
Capítulo 4
¡"Mueve tu cuerpo!" Un juego con PoseNet, un modelo estimador de poses
Encabezados
● ¿Qué es PoseNet?
● Cargando el modelo
● Interpretando el resultado
-
● Construyendo un juego alrededor de él
Capítulo 5
Detectarte a ti mismo en tiempo real usando un modelo de detección de objetos entrenado en
AutoML de Google Cloud
Encabezados
● API de detección de objetos de TensorFlow
● AutoML de Google Cloud
● Entrenando el modelo
● Exportando el modelo e importándolo en TensorFlow.js
-
● Construyendo la aplicación de cámara web
Capítulo 6
Aprendizaje por transferencia con clasificador de imágenes y reconocimiento de voz
Encabezados
● ¿Qué es el aprendizaje por transferencia?
● MobileNet e ImageNet (MobileNet es el modelo base e ImageNet es el conjunto de entrenamiento)
● Transfiriendo el conocimiento
● Reentrenando el modelo
-
● Probando el modelo con un video
Capítulo 7
Censura la comida que no te gusta con pix2pix, Redes Generativas Antagónicas
Redes, y ml5.js
Encabezados
● Introducción a las Redes Generativas Antagónicas
● ¿Qué es la traducción de imágenes?
● Entrenando tu traductor de imágenes personalizado con pix2pix
-
● Desplegando el modelo con ml5.js
Capítulo 8
Detecta palabras tóxicas desde una extensión de Chrome usando un Universal
Codificador de oraciones
Encabezados
● Clasificador de toxicidad
● Entrenando el modelo
● Probando el modelo
-
● Integrando el modelo en una extensión de Chrome
Capítulo 9
Análisis de series de tiempo y generación de texto con redes neuronales recurrentes
Redes
Encabezados
● Redes neuronales recurrentes
● Ejemplo 1: Construyendo una RNN para el análisis de series de tiempo
-
● Ejemplo 2: Construyendo una RNN para generar texto
Capítulo 10
Mejores prácticas, integraciones con otras plataformas, observaciones y palabras
finales
Encabezados
● Mejores prácticas
● Integración con otras plataformas
● Materiales para práctica adicional
● Conclusión
Autor: Juan de Dios Santos Rivera
Editorial: Apress
Publicado: 19/09/2020
Páginas: 303
Tipo de encuadernación: Tapa blanda
Peso: 1.01lbs
Tamaño: 9.21h x 6.14w x 0.69d
ISBN13: 9781484262726
ISBN10: 1484262727
Categorías BISAC:
- Computadoras | Inteligencia Artificial | General
Sobre el autor
Juan De Dios Santos Rivera es un ingeniero de aprendizaje automático que se enfoca en la construcción de plataformas basadas en datos y aprendizaje automático. Como ingeniero de software de Big Data para aplicaciones móviles, su rol ha sido construir soluciones para detectar spammers y evitar su proliferación. Este libro va de la mano con ese rol en la construcción de soluciones de datos. A medida que el campo de la IA sigue creciendo, los desarrolladores deben seguir extendiendo el alcance de nuestros productos a todas las plataformas existentes, lo que incluye los navegadores web.