Python Deep Learning

Torres, J

• Editorial: Alfaomega
• Año: 2020
• ISBN del libro electrónico: 9789587786415
• Categoría: Computer Science
• Categoría: Computer Science General

Descargue los archivos adicionales del libro aquí con el código PYTHON4 La inteligencia artificial permite la innovación y el cambio en todos los aspectos de la vida moderna. La mayoría de los avances actuales se basan en Deep Learning, un área de conocimiento muy madura que permite a las empresas desarrollar y poner en producción sus algoritmos de aprendizaje automático y usar los algoritmos preentrenados ofrecidos por las principales plataformas Cloud. Muchos profesionales interesados en comprender el Deep Learning tienen dificultades en establecer una ruta adecuada para empezar y saltar la barrera de entrada en este campo de innovación, debido a su complejidad y falta de manuales sobre el tema. Por ello, este libro proporciona todos los contenidos necesarios para entender qué es el Deep Learning y conocer las posibilidades de esta tecnología. Gracias a la combinación de los principios teóricos del Deep Learning y el enfoque práctico de codificación, se iniciará en este apasionante mundo mediante el lenguaje Python y la API Keras de la librería TensorFlow, el entorno más popular para desarrollar aplicaciones Deep Learning tanto a nivel de empresa como de proveedores Cloud. Asimismo, conocerá las principales redes neuronales actuales, como las redes neuronales convolucionales, las redes neuronales recurrentes o las Generative Adversarial Network, entre otras.

Índice

• Contenido del libro
• Prefacio
• Acerca de este libro
• PARTE 1: INTRODUCCIÓN
• CAPÍTULO 1. ¿Qué es el Deep Learning?
• 1.1. Inteligencia artificial
• 1.2. Machine Learning
• 1.3. Redes neuronales y Deep Learning
• 1.4. ¿Por qué ahora?
• CAPÍTULO 2. Entorno de trabajo
• 2.1. Entorno de trabajo
• 2.2. TensorFlow y Keras
• CAPÍTULO 3. Python y sus librerías
• 3.1. Conceptos básicos de Python
• 3.2. Librería NumPy
• PARTE 2: FUNDAMENTOSDEL DEEP LEARNING
• CAPÍTULO 4. Redes neuronales densamente conectadas
• 4.1. Caso de estudio: reconocimiento de dígitos
• 4.2. Una neurona artificial
• 4.3. Redes neuronales
• 4.4. Función de activación softmax
• CAPÍTULO 5. Redes neuronales en Keras
• 5.1. Precarga de los datos en Keras
• 5.2. Preprocesado de datos de entrada en una red neuronal
• 5.3. Definición del modelo
• 5.4. Configuración del proceso de aprendizaje
• 5.5. Entrenamiento del modelo
• 5.6. Evaluación del modelo
• 5.7. Generación de predicciones
• 5.8. Todos los pasos de una tirada
• CAPÍTULO 6. Cómo se entrena una red neuronal
• 6.1. Proceso de aprendizaje de una red neuronal
• 6.2. Descenso del gradiente
• 6.3. Función de pérdida
• 6.4. Optimizadores
• CAPÍTULO 7. Parámetros e hiperparámetros en redes neuronales
• 7.1. Parametrización de los modelos
• 7.2. Hiperparámetros relacionados con el algoritmo de aprendizaje
• 7.3. Funciones de activación
• 7.4. Practicando con una clasificación binaria
• CAPÍTULO 8. Redes neuronales convolucionales
• 8.1. Introducción a las redes neuronales convolucionales
• 8.2. Componentes básicos de una red neuronal convolucional
• 8.3. Implementación de un modelo básico en Keras
• 8.4. Hiperparámetros de la capa convolucional
• 8.5. Conjunto de datos Fashion-MNIST
• PARTE 3: TÉCNICAS DEL DEEP LEARNING
• CAPÍTULO 9. Etapas de un proyecto Deep Learning
• 9.1. Definición del problema
• 9.2. Preparar los datos
• 9.3. Desarrollar el modelo
• 9.4. Evaluación del modelo
• CAPÍTULO 10. Datos para entrenar redes neuronales
• 10.1. ¿Dónde encontrar datos para entrenar redes neuronales?
• 10.2. ¿Cómo descargar y usar datos reales?
• 10.3. Solucionar problemas de sobreentrenamiento
• CAPÍTULO 11. Data Augmentation y Transfer Learning
• 11.1. Data Augmentation
• 11.2. Transfer Learning
• CAPÍTULO 12. Arquitecturas avanzadas de redes neuronales
• 12.1. API funcional de Keras
• 12.2. Redes neuronales preentreenadas
• 12.3. Uso de redes preentrenadas con Keras
• PARTE 4: DEEP LEARNING GENERATIVO
• CAPÍTULO 13. Redes neuronales recurrentes
• 13.1. Conceptos básicos de las redes neuronales recurrentes
• 13.2. Vectorización de texto
• 13.3. Programando una RNN: generación de texto
• CAPÍTULO 14. Generative Adversarial Networks
• 14.1. Generative Adversarial Networks
• 14.2. Programando una GAN
• 14.3. Entrenamiento con la API de bajo nivel de TensorFlow
• Clausura
• APÉNDICES
• Apéndice A: Traducción de los principales términos
• Apéndice B: Tutorial de Google Colaboratory
• Apéndice C: Breve tutorial de TensorFlow Playground
• Apéndice D: Arquitectura de ResNet50
• Agradecimientos
• Índice alfabético