Español | 1.5 Mb | Pdf | Autor: Sebastian Dark | Publicación: 2018 | Pass:www.detodopython.com
Descripción:
El aprendizaje profundo es un proceso que amplía el rango de la mayoría de los problemas de inteligencia artificial, como el reconocimiento de voz, la clasificación de imágenes, la respuesta a preguntas, el reconocimiento óptico de caracteres y la transformación de texto a voz. Es cierto que el aprendizaje profundo es un tema complejo para aprender y comprender, pero no es difícil para la mayoría de los algoritmos de aprendizaje automático. Si desea aprender cómo construir un modelo de aprendizaje profundo en Python, ha venido al lugar correcto. Recuerde que necesitará conocer algunas partes de los temas mencionados en el libro antes de construir modelos de aprendizaje profundo.
A lo largo de este libro, recopilará información sobre qué es el aprendizaje profundo y en qué se diferencia del aprendizaje automático. También aprenderá acerca de las diferentes arquitecturas de redes neuronales que los diseñadores usan para programar un modelo de aprendizaje profundo. El libro proporciona información sobre cómo puedes construir un modelo de aprendizaje profundo en Python usando Keras. Los ejemplos en este libro utilizan conjuntos de datos que están disponibles en línea. Puede descargar los datos de los enlaces mencionados en el libro y usar estos conjuntos de datos para probar su modelo.
Cuando llegue al final del libro, se convertirá en un experto en la construcción de modelos en Keras. También aprenderá a construir modelos de aprendizaje profundo para sus proyectos.
El acto de aprender es difícil de definir. En su sentido más simple, aprender es adquirir conocimiento o comprensión de un nuevo concepto. Solo se puede obtener esto a través del estudio, la experiencia o la instrucción.
Hay muchas correlaciones que se pueden dibujar entre el aprendizaje humano o el aprendizaje animal y el aprendizaje automático. Las técnicas utilizadas en el aprendizaje con animales a menudo se emplean para desarrollar conceptos de aprendizaje automático. Por el contrario, ciertos avances en el aprendizaje automático nos han ayudado a comprender nuevas perspectivas en los patrones biológicos y de aprendizaje animal.
Para mejorar la eficiencia de una máquina, a menudo se recalibra estructuralmente. Hacerlo a menudo aumenta el rendimiento y la calidad de la salida y, de hecho, es un método para aprender cómo funciona la máquina. Con el aprendizaje automático, sin embargo, no todas las recalibraciones dan como resultado un nuevo aprendizaje.
Por ejemplo, suponga que una máquina es predecir si India ganará una partida de cricket contra Australia. El ingeniero o desarrollador puede proporcionar información histórica relativa a jugadores tanto de India como de Australia, sus estadísticas de partidos y tasas de ejecución, etc. en la máquina. La máquina puede usar esa entrada para predecir un resultado. Este es un tipo de aprendizaje automático.
Todo el concepto detrás del aprendizaje automático es aplicarlo a algo que tenga inteligencia artificial que pueda procesar grandes volúmenes de información y generar análisis y resultados. Como tal, la inteligencia artificial y el aprendizaje automático van de la mano. Los ingenieros construyen máquinas con inteligencia artificial para realizar las siguientes funciones: diagnóstico, predicción y reconocimiento. Estas máquinas aprenden a realizar estas tareas aprendiendo del conjunto de datos de capacitación que el ingeniero le proporciona. El ingeniero puede usar datos de muestra o datos históricos para entrenar a la máquina para predecir el resultado deseado. La máquina identifica patrones en estos datos de entrenamiento y se enseña a sí misma a realizar diferentes tipos de análisis en los datos.
Contenido:
Introducción
Capítulo Uno: ¿Qué es el Aprendizaje Automático?
Capítulo Dos: Una Introducción a las Redes Neuronales
Capítulo Tres: Una Introducción al Aprendizaje Profundo
Capítulo Cuatro: Aprendizaje Supervisado
Capítulo Cinco: Aprendizaje No Supervisado
Capítulo Seis: Cómo Crear y Entrenar Modelos de Aprendizaje Profundo
Capítulo Siete: Aplicaciones del Aprendizaje Profundo.
Capítulo Ocho: Una Introducción a Python
Capítulo Nueve: Entorno Python para el Aprendizaje Profundo
Capítulo Diez: Cómo Desarrollar una Red Neuronal en Python usando Keras
Capítulo Once: Cómo Evaluar el Desempeño de un Modelo de Aprendizaje Profundo
Capítulo Doce: Cómo Guardar y Cargar Modelos de Aprendizaje Profundo
Capítulo Trece: Reduciendo los Abandonos en Modelos de Aprendizaje Profundo
Conclusión
No hay comentarios:
Publicar un comentario