Si está listo para aventurarse más allá de los conceptos introductorios e indagar en el aprendizaje automático, en el aprendizaje profundo y en la inteligencia artificial (IA), el formato de preguntas y respuestas que presenta el libro El Machine Learning y la IA le facilitará mucho las cosas.
Nacido de las cuestiones que a menudo se plantea el autor, Sebastián Raschka, este libro muestra un método directo y sin rodeos para acercarle a temas avanzados, que presenta de forma rápida y accesible. Cada capítulo es breve y autónomo, y aborda una cuestión fundamental de la IA, desvelándola con explicaciones claras, diagramas y ejercicios prácticos.
En esta lectura encontrará:
CAPÍTULOS CONCISOS: Las preguntas clave de la IA se responden de forma sencilla y las ideas complejas se desglosan en piezas fáciles de digerir.
GAMA AMPLIA DE TEMAS: Raschka cubre temas que van desde la arquitectura de las redes neuronales y la evaluación de los modelos hasta la visión informática y el procesamiento del lenguaje natural.
USOS PRÁCTICOS: Conocerá técnicas para mejorar el rendimiento de los modelos, afinar modelos grandes y mucho más.
También aprenderá a:
' Gestionar las distintas fuentes de aleatoriedad en la formación de redes neuronales
' Diferenciar entre arquitecturas de codificador y decodificador en modelos de lenguaje grandes
' Reducir el sobreajuste con modificaciones de datos y modelos
' Construir intervalos de confianza para clasificadores y optimizar los modelos con datos etiquetados limitados
' Elegir entre paradigmas distintos de formación multi-GPU y tipos diferentes de modelos de IA generativa
' Comprender las métricas de rendimiento para el procesamiento del lenguaje natural
' Dar sentido a los sesgos inductivos en los transformadores de visión
Si busca el recurso perfecto para mejorar su comprensión del aprendizaje automático, El Machine Learning y la IA le ayudará a avanzar fácilmente en este camino.
ACERCA DEL AUTOR
Sebastián Raschka, PhD, es un investigador de aprendizaje automático y educador en inteligencia artificial de Lightning AI, entusiasta por hacer que la inteligencia artificial sea más accesible. El Dr. Raschka, exprofesor asistente de estadística en la Universidad de Wisconsin-Madison, donde se especializó en investigación del aprendizaje automático, es el autor de los libros Python Machine Learning y Machine Learning con PyTorch y Scikit-Learn, ambos publicados en español en Marcombo. Encontrará más información sobre sus proyectos en: https://sebastianraschka.com.
Preámbulo xix
Agradecimientos xxi
Introducción xxiii
PARTE I: REDES NEURONALES Y APRENDIZAJE PROFUNDO
Capítulo 1: Incrustaciones, espacio latente y representaciones 3
Capítulo 2: Aprendizaje autosupervisado 9
Capítulo 3: Aprendizaje con pocos golpes 15
Capítulo 4: La hipótesis del boleto de lotería 19
Capítulo 5: Reducción del sobreajuste con datos 23
Capítulo 6: Reducción del sobreajuste con modificaciones del modelo 29
Capítulo 7: Paradigmas de la formación multi-GPU 37
Capítulo 8: El éxito de los transformadores 43
Capítulo 9: Modelos de IA generativa 49
Capítulo 10: Fuentes de aleatoriedad 59
PARTE II: VISIÓN INFORMÁTICA
Capítulo 11: Cálculo del número de parámetros 69
Capítulo 12: Capas convolucionales y totalmente conectadas 75
Capítulo 13: Conjuntos de formación grandes para transformadores de visión 79
PARTE III: PROCESAMIENTO DEL LENGUAJE NATURAL
Capítulo 14: La hipótesis distribucional 89
Capítulo 15: Aumento de datos para texto 93
Capítulo 16: Autoatención 99
Capítulo 17: Transformadores tipo codificador y decodificador 105
Capítulo 18: Uso y afinación de transformadores con formación previa 113
Capítulo 19: Evaluación de modelos de lenguaje grandes generativos 127
PARTE IV: PRODUCCIÓN E INSTALACIÓN
Capítulo 20: Formación sin estado y con estado 139
Capítulo 21: IA centrada en los datos 143
Capítulo 22: Aceleración de la inferencia 147
Capítulo 23: Cambios en la distribución de los datos 153
PARTE V: DESEMPEÑO PREDICTIVO Y EVALUACIÓN DE LOS MODELOS
Capítulo 24: Regresión de Poisson y ordinal 161
Capítulo 25: Intervalos de confianza 163
Capítulo 26: Intervalos de confianza y predicciones conformes 173
Capítulo 27: Métricas adecuadas 181
Capítulo 28: La k en la validación cruzada de k iteraciones 187
Capítulo 29: Discordancia entre los conjuntos de formación y los de prueba 193
Capítulo 30: Datos etiquetados limitados 197
Epílogo 209
Apéndice: Respuestas a los ejercicios 211
(0 Comentarios)
