TensorFlow for Deep Learning
Bharath Ramsundar, Reza Bosagh Zadeh
- Editorial
- O'Reilly
- Año
- 2018
- Páginas
- ~256
- Nivel
- Intermedio
De qué trata
Texto formativo que enseña las bases del aprendizaje profundo a través de la arquitectura clásica de TensorFlow (centrado en la rama TensorFlow 1.x, optimizado para la versión 1.6). Está pensado para desarrolladores de software, científicos de datos y estudiantes de perfil técnico de nivel intermedio con conocimientos de Python y nociones básicas de álgebra lineal y cálculo multivariable, que deseen entender en detalle la creación y ejecución de grafos computacionales estáticos.
El libro desmenuza las primitivas esenciales del framework (tensores, variables, placeholders y sesiones tf.Session), avanzando gradualmente hacia la implementación de regresión lineal y regresión logística desde sus cimientos matemáticos. A continuación, explica el diseño de perceptrones multicapa (MLP), técnicas de optimización de hiperparámetros (grid search y random search), redes neuronales convolucionales (CNN) para visión por computadora, redes neuronales recurrentes (RNN y LSTM) para el modelado de secuencias y texto, y una sólida introducción al aprendizaje por refuerzo profundo (Deep Q-Networks), concluyendo con principios de entrenamiento distribuido en clústeres.
La práctica incluye implementaciones de modelos convolucionales para reconocimiento de dígitos con MNIST, procesamiento de secuencias y la programación de un agente inteligente basado en Deep Q-Learning capaz de aprender a jugar al tres en raya (Tic-Tac-Toe). Su mérito formativo es la claridad con la que expone el flujo de gradientes y la arquitectura de bajo nivel de TensorFlow. No obstante, el lector debe considerar que su código utiliza la sintaxis estática previa a TensorFlow 2.x, por lo que difiere sustancialmente del modo imperativo predeterminado (Eager Execution) y las APIs modernas de tf.keras.
- TensorFlow 1.x
- Grafos computacionales
- Tensores y Sesiones (tf.Session)
- Regresión lineal y logística
- Perceptrón multicapa (MLP)
- Redes convolucionales (CNN)
- Redes recurrentes (RNN y LSTM)
- Deep Q-Networks (DQN)
- Optimización de hiperparámetros
- Entrenamiento distribuido
¿Cómo enseña?
Teoría + práctica
- ✓ Incluye ejercicios
- ✓ Incluye proyectos
Proyectos
Clasificador visual de dígitos manuscritos con CNN
Diseño y entrenamiento de una red neuronal convolucional en TensorFlow para el reconocimiento de imágenes sobre el conjunto de datos de referencia MNIST.
Agente de juego con Deep Q-Learning (DQN)
Implementación de un modelo de aprendizaje por refuerzo profundo en TensorFlow que entrena a un agente para tomar decisiones autónomas y jugar al tres en raya (Tic-Tac-Toe).
