Python deep learning

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 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.

CONTENIDO

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