¡Oferta!

Python Deep Learning

12,89 37,16 

Otras opciones
Accede gratis al libro
28,40 

En Stock

  • ISBN: 9788426728289
  • Tipo de Encuadernación: Tapa blanda o bolsillo
  • Dimensiones de producto: 17x1x24
  • Número de páginas: 415
12,89 

Producto virtual

  • E-Book ISBN: 9788426729255
  • Número de páginas del E-Book: 415
El precio original era: 41,29 €.El precio actual es: 37,16 €.

En Stock

  • ISBN: 9788426728289
  • Tipo de Encuadernación: Tapa blanda o bolsillo
  • Dimensiones de producto: 17x1x24
  • Número de páginas: 415
  • E-Book ISBN: 9788426729255
  • Número de páginas del E-Book: 415

Libro físico

  • Envíos a todo el mundo
  • Suscriptores obtienen descuentos en la compra de libros físicos, envíos gratuitos en España Peninsular y Baleares y acceso a todo el catálogo digital de Marcombo.
    ¿No estás suscrito? ¡Suscríbte!

eBook

  • Accede al eBook a través de nuestra plataforma digital.
  • Lee online y offline en cualquier dispositivo móvil con nuestra app de lectura.
  • Resalta, crea notas, extrae citas, traduce y busca en el diccionario, todo a través de nuestro lector inmersivo.

Libro físico + eBook

  • Envíos a todo el mundo
  • Accede al eBook a través de nuestra plataforma digital.
  • Lee online y offline en cualquier dispositivo móvil con nuestra app de lectura.
  • Resalta, crea notas, extrae citas, traduce y busca en el diccionario, todo a través de nuestro lector inmersivo.

Suscriptores obtienen descuentos en la compra de libros físicos, envíos gratuitos en toda España y acceso a todo el catálogo digital de Marcombo.
¿No estás suscripto? ¡Suscríbete!

Suscripción

  • Prueba gratis por 7 días. Planes desde 7,99 €/ mes
  • Accede a todo el catálogo de Marcombo
  • Lectura online y offline
  • Acceso a contenidos previos a su publicación
  • Envíos gratuitos y descuentos especiales para compras en la tienda

Suscribirse
Suscribirse
¿Quieres un descuento? ¡Hazte miembro mediante la compra de El gran libro de Node.js – E-book!

Más información

Descripción

Índice

Detalles

Colecciones

Categorías

Características

  • Autor: Jordi Torres Viñals
  • Fecha de publicación: 30/01/2020

Descripción

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.

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.

Además, en la parte inferior de la primera página encontrará el código de acceso que le permitirá acceder de forma gratuita a los códigos del libro en www.marcombo.info.

Tanto si tiene poca experiencia en programación, como si es un programador experimentado, consiga este libro y obtenga las habilidades prácticas básicas que le permitirán comprender cómo funciona y qué hace posible (y qué no) el uso del Deep Learning en sus propios proyectos.

Jordi Torres es catedrático en la UPC Barcelona Tech y lidera el grupo de investigación Emerging Technologies for Artificial Intelligence en el Barcelona Supercomputing Center. Tiene más de 30 años de experiencia en docencia e investigación en computación de altas prestaciones y ha publicado libros científicos y proyectos de I+D en empresas e instituciones. Es consejero delegado por la UPC en la empresa iThinkUPC, y actúa como formador y experto para diversas organizaciones y empresas. A su vez, imparte conferencias, colabora con diferentes medios de comunicación y mantiene un blog sobre ciencia y tecnología en www.torres.ai

Información adicional

Peso 0,7 kg
Dimensiones 24 × 17 × 1 cm

Índice

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 Colab
       2.2 TensorFlow
       2.3 Keras
CAPÍTULO 3.     Conceptos básicos de Python y sus librerías     
       3.1 Conceptos básicos de Python
       3.2 Tensores 
       3.3 Librerías básicas

PARTE 2: FUNDAMENTOS DE 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 y preprocesado de datos
       5.2 Definición del modelo
       5.3 Configuración del proceso de aprendizaje
       5.4 Entrenamiento del modelo
       5.5 Evaluación del modelo
       5.6 Generación de predicciones
CAPÍTULO 6.     Cómo se entrena una red neuronal     
       6.1 Cómo aprende un modelo de red neuronal
       6.2 Proceso de aprendizaje de una red neuronal 
       6.3 Funciones de activación
       6.4 Componentes del backpropagation
CAPÍTULO 7.     Parámetros e hiperparámetros en redes neuronales   
       7.1 Parametrización de los modelos
       7.2 Hiperparámetros y optimizadores en Keras 
       7.3 Practicar 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 Arquitecturas de redes convolucionales

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 Datos de entrenamiento, validación y prueba
       10.4 Overfitting de los modelos
CAPÍTULO 11.    Data Augmentation y Transfer Learning 
       11.1 Data Augmentation 
       11.2 Transformaciones de imágenes
       11.3 Transfer Learning 
       11.4 Feature Extraction 
       11.5 Fine-Tuning 
CAPÍTULO 12.    Arquitecturas avanzadas de redes neuronales  
       12.1 Capas y modelos de redes neuronales
       12.2 API funcional de Keras
       12.3 Redes  neuronales con nombre propio
       12.4 Redes neuronales preentrenadas

PARTE 4: DEEP LEARNING GENERATIVO 
CAPÍTULO 13.    Redes neuronales recurrentes 
       13.1 Conceptos básicos de redes neuronales recurrentes 
       13.2 Aprendizaje de las redes neuronales recurrentes 
       13.3 Vectorización de texto 
       13.4 Generación de texto con una red neuronal recurrente
CAPÍTULO 14.    Generative Adversarial Networks
       14.1 Motivación por las GAN
       14.2 Arquitectura de las GAN
       14.3 Programar una GAN

Clausura  

Apéndice A: Traducción de los principales términos
Apéndice B: Tutorial de Google Colab
Apéndice C: Arquitecturas de redes CNN

Índice alfabético