El Machine Learning y la inteligencia artificial

Descripción

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, afi nar modelos grandes y mucho más.

También aprenderá a:
• Gestionar las distintas fuentes de aleatoriedad en la formación de redes neuronales
• Diferenciar entre arquitecturas de codifi cador y decodifi cador en modelos de lenguaje grandes
• Reducir el sobreajuste con modifi caciones de datos y modelos
• Construir intervalos de confi anza para clasifi cadores 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.

AUTORES

Sebastian Raschka

Sebastián Raschka es doctor e investigador del aprendizaje automático (AA) y la inteligencia artificial (IA) con una pasión fuerte por la educación. Como educador principal de IA en Lightning AI, le entusiasma hacer que la IA y el aprendizaje profundo sean más accesibles y enseñar a la gente a utilizar estas tecnologías a escala. Antes de dedicarse plenamente a Lightning AI, Sebastián ocupó el puesto de profesor de estadística adjunto en la Universidad de Wisconsin-Madison, donde se especializó en la investigación del aprendizaje profundo y el aprendizaje automático (machine learning, en inglés). Puede obtener más información sobre sus investigaciones en el sitio web (https://Sebastiánraschka.com). A Sebastián también le encanta el software de código abierto y es un colaborador apasionado desde hace más de una década. Aparte de programar, también le encanta escribir y es autor de los libros superventas Python Machine Learning y Machine Learning with PyTorch and Scikit-Learn (ambos de Packt Publishing).

CONTENIDO

Preámbulo ……………………………………………………… xvii
Agradecimientos ……………………………………………… xix
Introducción ……………………………………………………. xxi

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 …………….. 17
Capítulo 4. La hipótesis del boleto de lotería ………… 21
Capítulo 5. Reducción del sobreajuste con datos …… 25
Capítulo 6. Reducción del sobreajuste con
modificaciones del modelo ………………………………… 31
Capítulo 7. Paradigmas de la formación multi-GPU .. 41
Capítulo 8. El éxito de los transformadores ………….. 49
Capítulo 9. Modelos de IA generativa ………………….. 55
Capítulo 10. Fuentes de aleatoriedad ………………….. 67

PARTE II: VISIÓN INFORMÁTICA

Capítulo 11. Cálculo del número de parámetros
………………………………………………………………………. 77
Capítulo 12. Capas convolucionales y totalmente
conectadas ……………………………………………………… 83
Capítulo 13. Conjuntos de formación grandes para
transformadores de visión…………………………………. 87

PARTE III: PROCESAMIENTO DEL LENGUAJE NATURAL

Capítulo 14. La hipótesis distribucional………………… 97
Capítulo 15. Aumento de datos para texto …………. 103
Capítulo 16. Autoatención ……………………………….. 109
Capítulo 17. Transformadores tipo codificador y
decodificador ………………………………………………… 115
Capítulo 18. Uso y afinación de transformadores con
formación previa ……………………………………………. 125
Capítulo 19. Evaluación de modelos de lenguaje
grandes generativos ……………………………………….. 141

PARTE IV: PRODUCCIÓN E INSTALACIÓN

Capítulo 20. Formación sin estado y con estado ….. 153
Capítulo 21. IA centrada en los datos …………………. 157
Capítulo 22. Aceleración de la inferencia ……………. 161
Capítulo 23. Cambios en la distribución de los datos
………………………………… 167

PARTE V: DESEMPEÑO PREDICTIVO Y EVALUACIÓN DE
LOS MODELOS

Capítulo 24. Regresión de Poisson y ordinal ………… 175
Capítulo 25. Intervalos de confianza ………………….. 177
Capítulo 26. Intervalos de confianza y predicciones
conformes …………………………………………………….. 187
Capítulo 27. Métricas adecuadas ………………………. 195
Capítulo 28. La k en la validación cruzada de k
iteraciones …………………………………………………….. 201