Descripción
Este libro de texto aborda el problema de formular sistemas de IA combinando el modelado probabilístico y el aprendizaje profundo. Además, va más allá del modelado predictivo típico y reúne el aprendizaje supervisado y el aprendizaje no supervisado. El paradigma resultante, denominado modelado generativo profundo, utiliza la perspectiva generativa para percibir el mundo circundante. Asume que cada fenómeno es impulsado por un proceso generativo subyacente que define una distribución conjunta sobre variables aleatorias y sus interacciones estocásticas, es decir, cómo ocurren los eventos y en qué orden. El adjetivo "profundo" proviene del hecho de que la distribución se parametriza utilizando redes neuronales profundas. Hay dos rasgos distintivos del modelado generativo profundo. Primero, la aplicación de redes neuronales profundas permite una parametrización rica y flexible de las distribuciones. Segundo, la manera fundamentada de modelar dependencias estocásticas utilizando la teoría de la probabilidad asegura una formulación rigurosa y previene posibles fallos en el razonamiento. Además, la teoría de la probabilidad proporciona un marco unificado donde la función de verosimilitud juega un papel crucial en la cuantificación de la incertidumbre y la definición de funciones objetivo.
El modelado generativo profundo está diseñado para atraer a estudiantes curiosos, ingenieros e investigadores con una modesta formación matemática en cálculo de pregrado, álgebra lineal, teoría de la probabilidad y los conceptos básicos de aprendizaje automático, aprendizaje profundo y programación en Python y PyTorch (u otras bibliotecas de aprendizaje profundo). Atraerá a estudiantes e investigadores de una variedad de campos, incluyendo ciencias de la computación, ingeniería, ciencia de datos, física y bioinformática, que deseen familiarizarse con el modelado generativo profundo. Para involucrar al lector, el libro introduce conceptos fundamentales con ejemplos específicos y fragmentos de código. El código completo que acompaña al libro está disponible en github.
El objetivo final del libro es esbozar las técnicas más importantes en el modelado generativo profundo y, finalmente, permitir a los lectores formular nuevos modelos e implementarlos.
Autor: Jakub M. Tomczak
Editorial: Springer
Publicado: 20/02/2023
Páginas: 197
Tipo de encuadernación: Tapa blanda
Peso: 0.68lbs
Tamaño: 9.21h x 6.14w x 0.46d
ISBN13: 9783030931605
ISBN10: 3030931609
Categorías BISAC:
- Informática | Inteligencia Artificial | General
- Informática | Software matemático y estadístico
- Informática | Simulación por ordenador
Acerca del autor
Jakub Tomczak es profesor asistente de Inteligencia Artificial en el grupo de Inteligencia Computacional de la Vrije Universiteit Amsterdam desde noviembre de 2019. Anteriormente, de octubre de 2018 a octubre de 2019, fue investigador de aprendizaje profundo (ingeniero de personal) en Qualcomm AI Research en Ámsterdam. De octubre de 2016 a septiembre de 2018, fue becario individual Marie Sklodowska-Curie en el grupo del profesor Max Welling en la Universidad de Ámsterdam. Obtuvo su doctorado en aprendizaje automático en la Universidad Tecnológica de Breslavia. Sus intereses de investigación incluyen el modelado probabilístico, el aprendizaje profundo, el modelado bayesiano aproximado y el modelado generativo profundo (con especial énfasis en los Autoencoders Variacionales y el modelo basado en flujos).