Un resumen de los últimos libros de aprendizaje profundo

Durante años, nadie quiso leer sobre la IA. Pero luego vino una ráfaga de avances aparentemente nocturnos: reconocimiento de imágenes, conducción autónoma de coches, Alpha Go. Los viejos algoritmos, ideados por primera vez en los años 80 y 90, de repente empezaron a funcionar, alimentados por el poder de los chips masivos paralelos y los grandes conjuntos de datos. Durante el último año han golpeado las teclas, escribiendo tan rápido como sus dedos podían llevarlas, con la esperanza de llegar al mercado con un libro fantástico que alimentará el creciente hambre de conocimiento profundo. Vienen más este verano y a principios del año que viene. He tenido la oportunidad de leer algunos de sus primeros borradores y estoy muy emocionado de ver cómo algunos de ellos finalmente se ponen en marcha, así que vamos a sumergirnos y echar un vistazo a un resumen de los mejores y peores libros para empezar a aprender Inteligencia Artificial o avanzar en su floreciente comprensión del arte.

Ley de equilibrio

Mi padre siempre decía que “el equilibrio es lo mejor en todas las cosas”, y yo vivo de acuerdo con estas palabras, y a veces las ignoro durante el fin de semana o en Las Vegas. Estoy a favor de un equilibrio entre la teoría y la práctica. Dame los antecedentes de una idea en un lenguaje claro y luego déjame experimentar con ejemplos prácticos, pero no me des demasiada teoría. Quiero ensuciarme las manos cuando aprenda. Si un libro se aleja demasiado de lo abstracto, o me deja caer un montón de ejemplos sin contexto, pierdo rápidamente el interés, dicho esto, respeta tu propio estilo de aprendizaje. Sepa cómo aprender mejor. Si amas un libro con páginas y páginas de teoría detallada, entonces finge que estás leyendo mi crítica con un filtro inverso. Pero si eres el tipo de persona que ama un estilo de enseñanza equilibrado, entonces esta es tu lista: corre, no camines, ve a Amazon y haz un clic en estas maravillas del aprendizaje profundo. Los contendientes Nuestro primer contendiente es Ian Goodfellows Deep Learning . Ninguna lista estaría completa sin el trabajo de esta estrella de la investigación de Google Brain y Open AI. Algunos ya lo consideran la biblia del aprendizaje profundo, el único libro que reúne décadas de investigación en un solo y magnífico tomo, pero a menos que se tenga una formación seria en matemáticas, este no es en absoluto el lugar para empezar. No sólo está lleno de páginas y páginas de ecuaciones inductoras de mego, sino que también está escrito en prosa de libro de texto seca como el polvo. Aunque hay que respetar la mente brillante de Goodfellow y su deseo de meterse lo más posible entre dos portadas, la razón no es precisamente fascinante. Hay una diferencia entre saber algo y enseñarlo. Sospecho que este libro terminará en las manos de muchos aspirantes a estudiantes que se inscribirán en clases de aprendizaje profundo en la universidad por primera vez el próximo año, y que impulsará a muchos de ellos a dejar de hacerlo. No existe una guía más completa en el planeta. Es un libro que ya asume mucho conocimiento del dominio. Pero si estás empezando o viniendo a la IA como programador profesional por primera vez, este libro de texto densamente lleno te dejará con muchas ganas. Lo siguiente es tener Hands-On Learning with Scikit-Learn and Tensorflow recién salido de la imprenta! Aunque este libro también está repleto de ecuaciones, sigue siendo increíblemente legible. De hecho, es francamente asombroso. No puedo recomendarlo lo suficiente. La serie de artículos Learning AI if You Suck at Math está profundamente en deuda con este libro, especialmente el artículo cinco sobre reconocimiento de imágenes con redes neuronales convolucionales y el artículo siete sobre procesamiento del lenguaje natural. La autora Aurélien Géron tiene una manera de hacer que temas complejos sean accesibles a una audiencia general que trato de reflejar en mi propio estilo. Leí los primeros borradores en Safari Books Online. Incluso con muchas de las partes inacabadas, y con el sitio web convirtiendo partes de algunas ecuaciones en una masa ininteligible, se destacó como una lectura fantástica que realmente niveló mi comprensión.la versión final mejora seriamente los borradores originales. Como todas las buenas reescrituras, hace que el libro en su conjunto sea mejor. Las ideas y los ejemplos son más claros y están mejor explicados. También está organizado con un flujo más natural que realmente trae los temas con suficiente claridad para experimentar y suficiente profundidad para volver atrás y aprender más en una segunda relectura. Puedes encontrarte saltándote la mayoría de las ecuaciones en la primera vuelta, sólo para volver atrás y estudiarlas más de cerca. La tercera es Deep Learning with Python por el creador de Keras Francois Chollet . Este es uno de esos libros que no pueden salir lo suficientemente rápido. Prepárelo inmediatamente. Leí los tres primeros capítulos a través del programa MEAP de Manning Press, también conocido como Manning Early Access. Aunque pueda parecer un poco pronto para darle mi recomendación principal basada en tres capítulos solamente, lo hago sin reservas. Así como Chollet tiene un don para simplificar conceptos complejos con código en Keras, también aporta el mismo estilo atractivo y hermosamente legible a su escritura. El libro facilita la comprensión incluso de los aspectos más desafiantes de la IA y el aprendizaje profundo. No entendí nada sobre los tensores hasta que leí este libro, pero él me ayudó a atravesar la niebla y verlos exactamente como son: cubos para los números. Y como es de esperar, el libro también tiene algunos ejemplos excelentes, teniendo en cuenta que Chollets Github está lleno de algunos de los códigos de inteligencia artificial más bifurcados de GitHub.I can only see this book getting better as it gets closer to release. Agárralo ahora para apoyarlo. Si puede obtener una copia en MEAP, haga lo siguiente

Etiquetas

Aprendizaje automáticoInteligencia artificialAprendizaje profundoAiLearning