AA.VV
PARTE 1. Introducción
1. Introducción al Deep Learning
Introducción
Contexto del Deep Learning
Aprendizaje de representaciones
Aplicaciones
2. Aspectos generales del Deep Learning
Etapas de un proyecto
Formulaciones
Importancia de los datos
Entrenar una red neuronal
3. Keras y PyTorch
Introducción
Instalación
Uso básico de las librerías
Reproducibilidad de resultados
PARTE 2. Fundamentos
4. Perceptrón multicapa
Introducción
Definición de perceptrón
Perceptrón multicapa
Entrenamiento y evaluación
Caso de estudio
5. Redes neuronales convolucionales
Introducción
Operación de convolución
Capa de convolución
Submuestreo
Composición de una CNN
Caso de estudio
6. Redes neuronales recurrentes
Introducción a los datos secuenciales o secuencias
Neurona recurrente
LSTM
GRU
Recurrencia bidireccional
Caso de estudio
PARTE 3. Conceptos avanzados y aplicaciones
7. Convergencia y ajuste de modelos
Introducción
Técnicas de regularización
Aumento de datos
Mejora de la convergencia
Caso de estudio
8. Visión por computador
Introducción
Aplicaciones
Aprendizaje por transferencia
Caso de estudio
9. Procesamiento de Lenguaje Natural
Introducción
Aplicaciones
Procesamiento del texto: segmentación y representación
Mecanismo de atención
La arquitectura Transformer
Caso de estudio
10. Siguientes pasos
Introducción
Otros paradigmas de aprendizaje
Otras arquitecturas
Apéndices: Soluciones a los casos de estudio
La Inteligencia Artificial ha experimentado un gran auge en los últimos años, tanto en el mundo académico como en el empresarial, con increíbles resultados en el reconocimiento de voz, los modelos de conversación, la visión artificial y otras aplicaciones. Detrás de todos estos avances se encuentra la tecnología basada en los modelos matemáticos de redes neuronales profundas, conocida como aprendizaje profundo o Deep Learning. Conocer esta tecnología abre las puertas a un inmenso mercado digital, al campo de la investigación y a innumerables oportunidades de negocio.En estas páginas el lector encontrará una introducción a los fundamentos de ese paradigma de aprendizaje computacional. Los aspectos teóricos se complementan con ejemplos de implementación en los dos frameworks de programación más populares en la actualidad dentro de este campo: Keras y PyTorch. El libro describe las arquitecturas vertebradoras del Deep Learning, como el perceptrón multicapa, las redes convolucionales y las redes recurrentes, entre otras, así como su aplicación en los campos de la visión por computador y el procesamiento del lenguaje natural. Todos estos contenidos se estudiarán mediante ejemplos y ejercicios, asumiendo que el lector no ha trabajado con estos frameworks previamente', aunque sí con el lenguaje de programación Python.
