Páginas:
415
Edición:
1
Fecha de publicación:
30/01/2020
ISBN:
9788426728289
Formato:
17x24 cms

Python Deep Learning

28,40 26,98
28,40 26,98
Añadir a cesta
Recíbelo en 24/48h
debido a la situación actual, el pedido puede sufrir demoras
Introducción práctica con Keras y TensorFlow 2

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.

Con este libro, podrá:

  • Descubrir los secretos del Deep Learning mediante el uso de gran variedad de ejemplos didácticos en Python 3 y el entorno Google Colab.
  • Introducirse en el desarrollo de algoritmos de aprendizaje automático mediante multitud de técnicas de Deep Learning, gracias al uso de la API de Keras y la librería TensorFlow 2.
  • Aprender a usar los diferentes recursos online, fuentes de datos abiertas y algoritmos preentrenados para facilitar el desarrollo de aplicaciones basadas en Deep Learning
  • Tener acceso online a los códigos actualizados del libro a través de la web 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

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

A color
Páginas:
415
Edición:
1
Año Publicación:
30/01/2020
ISBN:
9788426728289
Formato:
17x24 cms
Colección

Relacionados

¿Quiéres conocer las últimas novedades?

Inscribiéndote recibirás unos regalos exclusivos para ti