Machine Learning y la Inteligencia Artificial, el
30 Preguntas y Respuestas Sobre el Aprendizaje Automatico y la Ia
Raschka, Sebastian
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 ...
Sinopsis
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 i
Índice
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
Comentarios
Sé el primero en comentar este libroArtículos relacionados
Otros libros del autor
