Agradecimientos
Sobre el autor
Introducción
Sobre este libro
Código fuente
Foro del libro
Sobre la imagen de cubierta
Parte 1. Fundamentos del deep learning
Capítulo 1. ¿Qué es el deep learning?
1.1. Inteligencia Artificial, machine learning y deep learning
1.2. Antes del deep learning: una breve historia del machine learning
1.3. ¿Por qué el deep learning? ¿Por qué ahora?
Capítulo 2. Los bloques de construcción matemáticos de las redes neuronales
2.1. Un primer vistazo a una red neuronal
2.2. Representaciones de datos para redes neuronales
2.3. Los engranajes de las redes neuronales: operaciones con tensores
2.4. El motor de las redes neuronales: optimización basada en gradiente
2.5. Volviendo al primer ejemplo
Capítulo 3. Iniciarse en las redes neuronales
3.1. Anatomía de una red neuronal
3.2. Introducción a Keras
3.3. Configurar una estación de trabajo de deep learning
3.4. Clasificar críticas de películas: ejemplo de clasificación binaria
3.5. Clasificar noticias: ejemplo de clasificación multiclase
3.6. Predecir precios de casas: ejemplo de regresión1
Capítulo 4. Fundamentos del machine learning
4.1. Cuatro ramas de machine learning
4.2. Evaluación de modelos de machine learning
4.3. Procesamiento de datos, ingeniería de características y aprendizaje de características
4.4. Sobreajuste y subajuste
4.5. El flujo de trabajo universal del machine learning
Parte 2. Deep learning en la práctica
Capítulo 5. Deep learning para visión por ordenador
5.1. Introducción a las convnets
5.2. Entrenar una convnet desde cero con un conjunto de datos pequeño
5.3. Utilizar una convnet preentrenada
5.4. Visualizar lo que aprenden las convnets
Capítulo 6. Deep learning para texto y secuencias
6.1. Trabajar con datos de texto
6.2. Entender las redes neuronales recurrentes
6.3. Uso avanzado de las redes neuronales recurrentes
6.4. Procesamiento de secuencias con convnets
Capítulo 7. Prácticas adecuadas de deep learning avanzado
7.1. Más allá del modelo Sequential: la API funcional de Keras
7.2. Inspeccionar y monitorizar modelos de deep learning utilizando retrollamadas de Keras y TensorBoard
7.3. Sacar el máximo partido a nuestros modelos
Capítulo 8. Deep learning generativo
8.1. Generación de texto con LSTM
8.2. DeepDream
8.3. Transferencia de estilo neuronal
8.4. Generar imágenes con autocodificadores variacionales
8.5. Introducción a las redes generativas antagónicas
Capítulo 9. Conclusiones
9.1. Conceptos clave para revisar
9.2. Las limitaciones del deep learning
9.3. El futuro del deep learning
9.4. Mantenerse al día en un campo que avanza deprisa
9.5. Despedida
Parte 3. Apéndices
Apéndice A. Instalar Keras y sus dependencias en Ubuntu
A.1. Instalar la suite científica de Python
A.2. Configurar el soporte para GPU
A.3. Instalar Theano (opcional)
A.4. Instalar Keras
Apéndice B. Ejecutar notebooks de Jupyter en una instancia de GPU en EC2
B.1. ¿Qué son los notebooks de Jupyter? ¿Por qué ejecutar notebooks de Jupyter en GPU en AWS?
B.2. ¿Por qué no querríamos utilizar Jupyter en AWS para deep learning?
B.3. Configurar una instancia de GPU en AWS
B.4. Instalar Keras
B.5. Configurar la redirección del puerto local
B.6. Utilizar Jupyter desde su navegador local
Índice alfabético
El aprendizaje automático ha progresado de manera notable en los últimos años. Hemos pasado del discurso casi inutilizable y el reconocimiento de imágenes a una precisión casi humana. Hemos pasado de máquinas que no podían ganar a un jugador de go decente a derrotar al campeón del mundo. Tras este progreso se encuentra el deep learning, una combinación de avances en ingeniería, prácticas adecuadas y teoría que permite crear una gran abundancia de aplicaciones inteligentes que antes eran imposibles.
Deep Learning con Python presenta el campo del deep learning utilizando el lenguaje Python y la potente biblioteca Keras. Escrito por François Chollet, creador de Keras e investigador de Google AI, este libro desarrolla su comprensión mediante explicaciones intuitivas y ejemplos prácticos. Explorará conceptos complicados y practicará con aplicaciones en visión por ordenador, procesamiento de lenguaje natural y modelos generativos. Para cuando acabe, tendrá el conocimiento y las habilidades prácticas para aplicar el deep learning a sus propios proyectos.
