Practical AI on the Google Cloud Platform
Micheal Lanham
- Editorial
- O'Reilly
- Año
- 2021
- Páginas
- ~704
- Nivel
- Intermedio
De qué trata
Manual exhaustivo y práctico enfocado en el desarrollo, entrenamiento e implementación de soluciones de inteligencia artificial y aprendizaje profundo (Deep Learning) aprovechando el ecosistema de Google Cloud Platform (GCP). Basado en las herramientas y servicios de Google Cloud disponibles en el periodo 2020-2021, está pensado para desarrolladores de software, científicos de datos e ingenieros de machine learning de nivel intermedio que dominen Python y posean fundamentos matemáticos elementales (álgebra lineal y conceptos básicos de optimización), pero que no dispongan de hardware local especializado ni experiencia avanzada en administración de infraestructura cloud.
El texto ofrece un recorrido minucioso que arranca con la preparación de datos y experimentación en Google Colab, Cloud Shell, BigQuery y Cloud Storage. Enseña a implementar soluciones predictivas tanto con herramientas gestionadas de bajo código como con modelos personalizados de aprendizaje profundo, cubriendo AutoML Tables, AutoML Vision y AutoML Natural Language. En el desarrollo con código, enseña a diseñar y entrenar redes neuronales convolucionales (CNNs) con TensorFlow y TensorFlow Hub para reconocimiento visual, indexación y análisis de video con Cloud Video Intelligence, procesamiento de lenguaje natural (NLP) con embeddings y construcción de chatbots inteligentes mediante Google Dialogflow. Asimismo, explora técnicas generativas avanzadas como Variational Autoencoders (VAE) y Redes Generativas Antagónicas (GANs, incluyendo Pix2Pix, CycleGAN y Self-Attention GAN con DeOldify), así como aprendizaje por refuerzo con SARSA, Expected SARSA y Deep Q-Networks (DQN).
El trabajo práctico se desarrolla mediante cuadernos interactivos en Google Colab vinculados a la nube: la creación de un asistente conversacional funcional en Dialogflow, modelos de síntesis y coloreado automático de imágenes antiguas mediante arquitecturas GAN, y la simulación y entrenamiento de un agente autónomo de toma de decisiones para conducción de taxis con Reinforcement Learning. La obra aporta una perspectiva muy completa que va desde APIs empaquetadas hasta arquitecturas avanzadas de investigación implementadas en Python. Conviene saber que las herramientas de AutoML aquí mostradas han sido unificadas posteriormente en la plataforma Vertex AI de Google Cloud, aunque los fundamentos de diseño de modelos, TensorFlow y Dialogflow se mantienen plenamente vigentes y formativos.
- Google Cloud Platform
- Deep Learning
- Python
- TensorFlow
- AutoML
- Google Colab
- Computer Vision
- Natural Language Processing (NLP)
- Dialogflow
- Generative Adversarial Networks (GAN)
- Reinforcement Learning
¿Cómo enseña?
Teoría + práctica
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Asistente virtual conversacional con Dialogflow
Construcción de un chatbot interactivo capaz de comprender intenciones del usuario, capturar entidades y resolver solicitudes conectándose a servicios de backend mediante webhooks.
Restauración y coloreado de imágenes con GANs
Implementación y entrenamiento de modelos generativos antagónicos (Self-Attention GAN y Pix2Pix) en Google Colab y GCP para la reconstrucción y coloreado automático de imágenes en escala de grises.
Agente autónomo con Deep Reinforcement Learning
Modelado y entrenamiento de un agente inteligente en un entorno simulado de transporte utilizando algoritmos SARSA y redes neuronales profundas Deep Q-Networks (DQN) en Python.
