Mi informacion de contacto
Correo[email protected]
2024-07-22
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
Esta es probablemente una de las descripciones más completas y actualizadas del aprendizaje profundo disponibles en la actualidad.
El campo del aprendizaje profundo está en auge y recientemente existen materiales de aprendizaje populares.
Recientemente, el nuevo libro "Understanding Deep Learning" de MIT Press marcó el comienzo de la versión china.
Este libro está dividido en 21 capítulos y cubre muchos conceptos clave en el campo del aprendizaje profundo, incluida la construcción básica, la arquitectura Transformer, la red neuronal gráfica GNN, el aprendizaje por refuerzo RL, el modelo de difusión, etc. Es extremadamente valioso tanto para principiantes como para desarrolladores experimentados.
Enlace de GitHub: https://github.com/careywyr/UnderstandingDeepLearning-ZH-CN
Enlace original del libro: https://udlbook.github.io/udlbook/
Actualmente, la versión electrónica en inglés del libro se ha descargado 344.000 veces.
La versión física del libro fue lanzada oficialmente en diciembre del año pasado, con un total de 541 páginas, pero su versión electrónica se ha actualizado continuamente. Actualmente en el sitio web, el autor también proporciona 68 ejercicios de cuaderno de Python, que pueden ayudar a los lectores a profundizar su comprensión a través de la práctica de programación.
Este libro espera presentar las ideas básicas del aprendizaje profundo a las personas de una manera precisa y fácil de entender, y tiene como objetivo ayudar a los lectores que recién comienzan a comprender los principios detrás del aprendizaje profundo. Para los lectores que quieran comprender el contenido de este libro en profundidad, solo se requieren conocimientos matemáticos de nivel universitario para comprenderlo.
Específicamente, el libro presenta modelos de aprendizaje profundo en las primeras partes y analiza cómo entrenar, evaluar estos modelos y cómo mejorar su desempeño. En las siguientes secciones, el autor nos lleva a través de arquitecturas diseñadas específicamente para datos de imágenes, texto y gráficos. Los capítulos siguientes exploran los modelos generativos y el aprendizaje por refuerzo. El penúltimo capítulo explora estos y otros aspectos que aún no se comprenden del todo. El capítulo final analiza la ética de la IA.
Tabla de contenido
Capítulo 1 - Introducción Introducción
Capítulo 2 - Aprendizaje supervisado Aprendizaje supervisado
Capítulo 3 - Redes neuronales poco profundas Redes neuronales poco profundas
Capítulo 4 - Redes neuronales profundas Redes neuronales profundas
Capítulo 5 - Funciones de pérdida Función de pérdida
Capítulo 6 - Modelo de entrenamiento de modelos de ajuste
Capítulo 7 - Degradados e inicialización Degradado e inicialización
Capítulo 8 - Medición del desempeño Evaluación del desempeño
Capítulo 9 - Regularización Regularización
Capítulo 10 - Redes convolucionales Redes convolucionales
Capítulo 11 - Redes residuales Redes residuales
Capítulo 12 - Transformadores
Capítulo 13 - Graficar redes neuronales Graficar redes neuronales
Capítulo 14 - Aprendizaje no supervisado Aprendizaje no supervisado
Capítulo 15 - Redes generativas de confrontación Redes generativas de confrontación
Capítulo 16 - Normalización de flujos Estandarización de flujos
Capítulo 17 - Codificadores automáticos variacionales Codificadores automáticos variacionales
Capítulo 18 - Modelos de difusión Modelos de difusión
Capítulo 19 - Aprendizaje por refuerzo profundo Aprendizaje por refuerzo profundo
Capítulo 20: ¿Por qué funciona el aprendizaje profundo?
Capítulo 21 - Aprendizaje profundo y ética Aprendizaje profundo y ética
Sobre el Autor
El autor de "Comprensión profunda del aprendizaje profundo" es Simon JD Prince, profesor de informática en la Universidad de Bath en el Reino Unido. Se centra en visión por computadora y gráficos por computadora.
Según información de LinkedIn, Simon JD Prince se ha dedicado a la investigación en informática e inteligencia artificial en instituciones de investigación durante más de diez años. Por ejemplo, se desempeñó como científico jefe de la empresa de desarrollo de software Anthropics Technology durante 7 años. En 2022 se incorporó a la Universidad de Bath como profesor emérito.
Simon JD Prince ha publicado más de 50 artículos en los principales congresos (CVPR, ICCV, SIGGRAPH, etc.). También es autor de Visión por computadora: modelos, aprendizaje e inferencia.
https://x.com/tuturetom/status/1814689613304508777