Python Deep learning: Desarrolla tu primera red neuronal en Python usando TensorFlow, Keras y PyTorch

Cree su propia red neuronal hoy. A través de instrucciones y ejemplos fáciles de seguir, aprenderá los fundamentos del aprendizaje profundo y construirá su propia red neuronal en Python usando TensorFlow, Keras, PyTorch y Theano. Si bien tiene la opción de gastar miles de dólares en libros de texto grandes y aburridos, le recomendamos obtener la misma información por una fracción del costo. Así que Obtenga su copia ahora ¿Por qué este libro?Objetivos del libroLos siguientes son los objetivos de este libro:

• Ayudarle a comprender el aprendizaje profundo en detalle.
• Ayudarle a saber cómo empezar con el aprendizaje profundo en Python configurando el entorno de codificación.
• Ayudarle a pasar de ser un principiante en aprendizaje profundo a un profesional.
• Ayudarle a aprender a desarrollar un modelo de red neuronal artificial completo y funcional en Python por su cuenta.

¿Para quién es este libro? El autor se dirige a los siguientes grupos de personas:

• Cualquier persona que sea un completo principiante en el aprendizaje profundo con Python.
• Cualquier persona que necesite avanzar en sus habilidades de Python para el aprendizaje profundo.
• Profesores, conferenciantes o tutores que buscan encontrar mejores formas de explicar el aprendizaje profundo a sus estudiantes de la manera más sencilla y fácil.
• Estudiantes y académicos, especialmente aquellos que se centran en la programación en Python, redes neuronales, aprendizaje automático y aprendizaje profundo.

¿Qué necesita para este libro? Se requiere que tenga instalado lo siguiente en su computadora:

• Python 3.X.
• TensorFlow.
• Keras.
• PyTorch

El autor le guía sobre cómo instalar el resto de las bibliotecas de Python que son necesarias para el aprendizaje profundo. El autor le guiará sobre cómo instalar y configurar el resto. ¿Qué contiene el libro?

• ¿Qué es el aprendizaje profundo?
• Una descripción general de las redes neuronales artificiales.
• Explorando las bibliotecas.
• Instalación y configuración.
• Conceptos básicos de TensorFlow.
• Aprendizaje profundo con TensorFlow.
• Conceptos básicos de Keras.
• Conceptos básicos de PyTorch.
• Creación de redes neuronales convolucionales con PyTorch.
• Creación de redes neuronales recurrentes con PyTorch.

De la contraportada.El aprendizaje profundo forma parte de los métodos de aprendizaje automático basados en el aprendizaje de representaciones de datos. Este libro escrito por Samuel Burns ofrece una excelente introducción a los métodos de aprendizaje profundo para aplicaciones de visión por computadora. El autor no se centra demasiado en las matemáticas, ya que esta guía está diseñada para desarrolladores que son principiantes en el campo del aprendizaje profundo. El libro se ha agrupado en capítulos, y cada capítulo explora una característica diferente de las bibliotecas de aprendizaje profundo que se pueden utilizar en el lenguaje de programación Python. Cada capítulo presenta una arquitectura de red neuronal única, incluidas las redes neuronales convolucionales. Después de leer este libro, podrá construir sus propias redes neuronales utilizando Tenserflow, Keras y PyTorch. Además, el autor ha proporcionado códigos de Python, cada código realizando una tarea diferente. También se han proporcionado explicaciones correspondientes junto con cada fragmento de código para ayudar al lector a comprender el significado de las diversas líneas del código. Además de esto, se han proporcionado capturas de pantalla que muestran la salida que debería devolver cada código. El autor ha utilizado un lenguaje sencillo para que sea fácil de entender incluso para principiantes.

Autor: Samuel Burns
Editorial: Publicado de forma independiente
Publicado: 04/03/2019
Páginas: 172
Tipo de encuadernación: Tapa blanda
Peso: 0.52 libras
Tamaño: 9.00 alto x 6.00 ancho x 0.37 profundo
ISBN13: 9781092562225
ISBN10: 1092562222
Categorías BISAC:
- Computadoras | Procesamiento de imágenes
- Computadoras | Redes neuronales

Este título no es retornable