Deep Learning Pipeline
Hisham El-Amir, Mahmoud Hamdy
- Editorial
- Apress
- Año
- 2019
- Páginas
- ~551
- Nivel
- Intermedio
De qué trata
Texto técnico centrado en la construcción de canalizaciones (pipelines) completas y robustas para proyectos de aprendizaje profundo, partiendo de la premisa de que el modelado neuronal depende críticamente del saneamiento y estructuración previa de los datos. Publicado a finales de 2019 (con copyright de 2020), utiliza Python y TensorFlow. Está destinado a graduados, analistas de datos y desarrolladores de nivel intermedio que conocen Python y buscan dominar metódicamente cada etapa del flujo de trabajo de deep learning, evitando el habitual error de saltar a la arquitectura de la red sin antes procesar adecuadamente la información.
El libro dedica gran parte de sus páginas a fases que suelen omitirse en otros textos: tipificación de datos, limpieza e imputación de valores nulos con Pandas, técnicas de remuestreo para balancear clases (sobremuestreo y submuestreo) e ingeniería y selección rigurosa de características. En el bloque de TensorFlow y redes neuronales, enseña la manipulación de tensores, perceptrones multicapa (MLP), optimizadores y regularización para prevenir sobreajuste. Posteriormente aborda arquitecturas especializadas: redes neuronales convolucionales (CNN) y transferencia de aprendizaje para visión por computadora, así como redes neuronales recurrentes (RNN y LSTM), tokenización y embeddings para procesamiento de lenguaje natural (NLP).
Los conocimientos se consolidan mediante casos prácticos aplicados sobre datasets de referencia y problemas del mundo real, destacando la resolución integral del conocido desafío del Titanic de Kaggle y canalizaciones completas de clasificación de texto e imágenes. Lo más valioso es su enfoque ordenado de extremo a extremo, demostrando cómo transformar datos crudos e imperfectos en entradas de alta calidad para redes profundas. Deja fuera aspectos avanzados de orquestación en la nube o microservicios en contenedores, y dado que coincide con la fase de cambio hacia TensorFlow 2.x, ciertos ejemplos emplean convenciones y módulos de TensorFlow 1.x que requieren pequeños ajustes al ejecutarse en versiones modernas.
- TensorFlow
- Pipeline de datos
- Limpieza de datos
- Ingeniería de características
- Remuestreo de datos
- Redes neuronales
- CNN
- RNN
- Procesamiento de Lenguaje Natural
- Visión por computadora
- Python
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Pipeline de clasificación de supervivencia con el dataset Titanic
Canalización integral desarrollada con Pandas, Scikit-learn y TensorFlow que realiza limpieza, imputación de valores nulos, remuestreo, ingeniería de atributos y predicción mediante redes neuronales.
Pipeline de visión por computadora con transferencia de aprendizaje
Flujo de preprocesamiento, aumento de datos y entrenamiento de una red convolucional (CNN) en TensorFlow para clasificación de imágenes utilizando modelos preentrenados.
