Deep Learning with Python
El libro Deep Learning with Python introduce el campo del aprendizaje profundo (deep learning) utilizando Python y más concretamente la librería Keras.
El autor, François Chollet, es el propio creador de esta librería y trabaja como investigador de inteligencia artificial en Google. Esto hace que el libro ofrezca un enfoque de primera mano de Keras, una de las librerías más utilizadas para Deep Learning.
En este libro se tratan los temas fundamentales en el aprendizaje profundo pero también podremos explorar modelos de clasificación de imágenes, aprendizaje profundo para texto y para series temporales y aprendizaje profundo generativo.
Deep Learning with Python consigue que comprendamos los conceptos en los que se basa estas técnicas a través de explicaciones intuitivas y ejemplos prácticos que enseñan a manejar la librería Keras.
Para sacarle partido hay que saber algo de Python pero no es necesario tener experiencia en Keras, Tensor Flow o Machine Learning.
¿Qué es el Deep Learning?
💡 Inteligencia artificial → Machine Learning → Deep Learning
El Machine Learning descubre reglas para procesar una tarea de procesado de datos a partir de ejemplos de lo que se espera en esa tarea.
Por lo que necesitamos:
- Datos de entrada
- Ejemplos de la salida esperada
- Una manera de medir si el algoritmo está haciendo un buen trabajo o no
💡 Un modelo de ML transforma los datos de entrada en una representación significativa utilizando una señal de feedback para guiarse.
El deep learning aprende reepresentaciones de los datos en capas sucesivas cuyas representaciones son cada vez más significativas.
El deep en deep learning no se refiere a que el modelo sea de comprender más profundamente, sino que tiene muchas capas de representaciones de los datos.
Cuantas más capas tenga un modelo que aprende de los datos, se dice que el modelo tiene más "profundidad".
¿Cómo funciona el deep learning?
El mapeo entre los datos de entrada y la salida se realiza mediante una secuencia de transformaciones más sencillas, que se aprenden a través de la exposición a más observaciones/ejemplos.
- Es necesario medir cómo de desviada está la salida de la red de la salida esperada → Función de coste.
- La función de coste se utiliza como feedback para ajustar el valor de los pesos en cada capa de manera que cada vez el error va siendo menor → Función de optimización
- Métricas para monitorizar el rendimeinto del modelo durante entrenamiento y validación
Puedes encontrar la versión en español del libro con el nombre "Deep Learning con Python".
Aunque también puedes seguir leyendo el resumen de este libro a continuación.
Todos los Capítulos de este libro
En los apartados anteriores te he resumido el primer capítulo del libro.
A continuación tienes el resto: