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.
Prefacio ………………………………………………………………………………………………. 17
Acerca de este libro ……………………………………………………………………………… 19
PARTE 1: INTRODUCCIÓN ………………………………………………………………….. 23
CAPÍTULO 1. ¿Qué es el Deep Learning? ……………………………………………… 25
CAPÍTULO 2. Entorno de trabajo …………………………………………………………… 47
CAPÍTULO 3. Python y sus librerías ………………………………………………………. 57
PARTE 2: FUNDAMENTOS DEL DEEP LEARNING ……………………………….. 79
CAPÍTULO 4. Redes neuronales densamente conectadas ……………………….. 81
CAPÍTULO 5. Redes neuronales en Keras ……………………………………………… 99
CAPÍTULO 6. Cómo se entrena una red neuronal ………………………………….. 125
CAPÍTULO 7. Parámetros e hiperparámetros en redes neuronales ………….. 139
CAPÍTULO 8. Redes neuronales convolucionales ………………………………….. 157
PARTE 3: TÉCNICAS DEL DEEP LEARNING ……………………………………… 183
CAPÍTULO 9. Etapas de un proyecto Deep Learning ……………………………… 185
CAPÍTULO 10. Datos para entrenar redes neuronales ……………………………. 205
CAPÍTULO 11. Data Augmentation y Transfer Learning …………………………. 231
CAPÍTULO 12. Arquitecturas avanzadas de redes neuronales ………………… 255
PARTE 4: DEEP LEARNING GENERATIVO ………………………………………… 275
CAPÍTULO 13. Redes neuronales recurrentes ………………………………………. 277
CAPÍTULO 14. Generative Adversarial Networks …………………………………… 307
Clausura ……………………………………………………………………………………………. 337
Apéndices ………………………………………………………………………………………….. 339
Python Deep Learning