El presente libro está enfocado en mostrar al lector, de una manera práctica y concreta, el interesante mundo que surge al usar Deep Learning; se trata de una guía para adquirir los conocimientos que permitan trabajar con Deep Learning mediante la librería TensorFlow, la cual es preciso utilizar si se quiere desarrollar y evaluar modelos Deep Learning. La librería TensorFlow permite prescindir en gran medida de las matemáticas al iniciarse o crear proyectos generadores de valor para una empresa. El contenido de esta obra muestra ejemplos de código práctico introducidos de forma lineal para explicar los conceptos fundamentales en lugar de enfocarse en conceptos teóricos que pueden resultar abrumadores para un lector que no cuenta con los conocimientos previos mínimos en Machine Learning. Empero, es imperativo tener en cuenta que aquí sólo se puede analizar una pequeña parte, ya que es imposible exponer en un único libro el alcance total de Deep Learning.
VENTAJAS
Cuenta con una página web que contiene material complementario y cuyo código aparece en las primeras páginas del libro.
Contiene notas de referencia y explicativas al pie de página, además de múltiples figuras explicativas.
Cuenta con numerosos ejemplos prácticos.
Contiene un índice alfabético que servirá al lector para una consulta puntual en determinado concepto de interés.
CONOZCA
En qué consiste Deep Learning y cuál es su entorno de trabajo.
Las características y el funcionamiento de las principales librerías de Python.
Cómo funcionan las redes neuronales.
Cada una de las fases de un proyecto Deep Learning.
APRENDA
A entrenar una red neuronal usando la API de Keras.
A programar modelos de Deep Learning con Keras.
A trabajar con las actuales redes neuronales llamadas Generative Adversarial Networks (GAN).
A programar una red neuronal convolucional.
DESARROLLE SUS HABILIDADES PARA
Evaluar cómo se comporta una red neuronal con datos nuevos de prueba (test).
Desarrollar aplicaciones de Deep Learning en el entorno de trabajo TensorFlow.
Utilizar hiperparámetros para la configuración de la estructura de una red neuronal.
Conseguir los datos para entrenar redes neuronales.