deep learning book
1.0.0
Repositorio de la introducción del libro a las redes neuronales artificiales y el aprendizaje profundo: una guía práctica con aplicaciones en Python .
El aprendizaje profundo no es solo la charla de la ciudad entre la gente tecnológica. El aprendizaje profundo nos permite abordar problemas complejos, capacitar a las redes neuronales artificiales para reconocer patrones complejos para el reconocimiento de imágenes y voz. En este libro, continuaremos donde lo dejamos en Python Machine Learning e implementamos algoritmos de aprendizaje profundo en Pytorch.
Este repositorio contendrá las instrucciones, ejemplos de código y soluciones para las partes prácticas y de ejercicio de cada capítulo.
Las versiones PDF y Ebook del libro estarán disponibles en LeanPub.
ISBN-10: [TBA]
ISBN-13: [TBA]
Paperback: Est. 2018
01 - Introducción
02 - El perceptrón
03 - Optimización de funciones de costos con descenso de gradiente
04 - Regresión logística y regresión Softmax
05 - Desde regresión de Softmax hasta perceptrones multicapa
06 - Validación cruzada y métricas de rendimiento
07 - Regularización en redes neuronales
08 - Tasas de aprendizaje e inicialización de peso
09 - Redes neuronales convolucionales
10 - Redes neuronales recurrentes
11 - Autoencoders
12 - Redes neuronales adverseriales generales
13 - Modelos generativos profundos
14 - Aprendizaje de refuerzo
Apéndice A: Notación matemática [PDF]
Apéndice B: Conceptos básicos de álgebra [PDF]
Apéndice C: Essentials de álgebra lineal
Apéndice D: Cálculo y cebador de diferenciación [PDF]
Apéndice E: Descripción general de la teoría de probabilidad
Apéndice F: Referencia de convenciones de notación
Apéndice G: Configuración de Python
Apéndice H: Introducción a Numpy [PDF] [cuaderno de código]
Apéndice I: Pytorch Conceptos básicos
Apéndice I (Alt.): TensorFlow Basics [PDF] [Notebook de código]
Apéndice J: Cloud Computing [PDF]
El aprendizaje automático se ha convertido en una parte central de nuestra vida, ¡como consumidores, clientes y, con suerte, como investigadores y profesionales! Aprecio todos los buenos comentarios que me enviaste sobre el aprendizaje automático de Python , y estoy muy feliz de saber que lo encontraste tan útil como guía de aprendizaje, ayudándole con sus aplicaciones comerciales y proyectos de investigación. He recibido muchos correos electrónicos desde su lanzamiento. Además, en estos mismos correos electrónicos, me preguntaba sobre una posible precuela o secuela.
Inicialmente, me inclinaba a escribir más sobre las partes "matemáticas", que pueden ser un verdadero obstáculo para casi todos sin (o incluso con) una especialización en matemáticas en la universidad. Inicialmente, pensé que escribir un libro sobre "matemáticas de aprendizaje automático" era genial hacer. Ahora, tengo ~ 15 capítulos de notas sobre el precálculo, el cálculo, el álgebra lineal, las estadísticas y la teoría de la probabilidad. Sin embargo, finalmente llegué a la conclusión de que ya había muchos otros libros de matemáticas. La mayoría de ellos son mucho mejores y más completos y precisos que mi potencial de introducción de ~ 500 páginas a los temas que tenía en la tienda. Después de todo, creo que la verdadera motivación para aprender y comprender un tema proviene de estar entusiasmado en primer lugar; Si te apasiona el aprendizaje automático y te topas con la regla de la cadena en el cálculo, no tendría ningún problema para encontrar un recurso confiable a través de su motor de búsqueda favorito en estos días.
Entonces, en lugar de escribir esa "precuela", permítanme escribir sobre algo que se basa en los conceptos que introduje en los capítulos posteriores del aprendizaje automático de Python : algoritmos para el aprendizaje profundo. Después de codificar un perceptrón de múltiples capas (cierto tipo de red neuronal artificial de avance) desde cero, analizamos brevemente algunas bibliotecas de Python para implementar algoritmos de aprendizaje profundo, e introduje redes neuronales convolucionales y recurrentes en un nivel conceptual.
En este libro, quiero continuar donde lo dejé y quiero implementar redes y algoritmos neuronales profundos para algoritmos de aprendizaje profundo desde cero, usando Python, Numpy y Scipy a lo largo de este viaje educativo. Además de la pila de ciencias de Vanilla Python, implementaremos estos algoritmos en TensorFlow, una biblioteca de aprendizaje profundo de altamente rendimiento pero muy accesible para implementar y aplicar un aprendizaje profundo a problemas del mundo real.
Todo el código en este repositorio (incluidos los ejemplos de código en los cuadernos Jupyter) es contenido de código abierto, publicado bajo la licencia de software MIT. En resumen, la licencia MIT permisiva le permite hacer cualquier cosa con el código con una atribución adecuada y sin garantía; Consulte el aviso de la licencia del MIT para obtener más detalles.
Todos los trabajos de contenido y creativo sin código en este repositorio, incluido el texto y los gráficos, están bajo los derechos de autor exclusivos del autor, Sebastian Raschka. A menos que se indique lo contrario, el contenido de texto compartido en este repositorio está destinado solo a uso personal. Puede usar, modificar o compartir pasajes de texto cortos de este trabajo con una atribución adecuada al autor. Sin embargo, si planea modificar y/o compartir porciones sustanciales de este libro para otros escritos, como publicaciones de blog, artículo de revista o material de enseñanza, comuníquese con el autor para obtener permiso.
Las cifras y los gráficos marcados por un Creative Commons Attribution-Sharealike 4.0 International son libres de compartir bajo los términos de licencia respectivos (como se enumeran en la sección Internacional Creative Commons Attribution-Sharealike 4.0 en el archivo de licencia) y la atribución adecuada.
Me gustaría dar mi agradecimiento especial a los lectores, que atraparon varios errores tipográficos y errores y ofrecieron sugerencias para aclarar mi escritura.
