Descripción
El aprendizaje profundo es una de las herramientas más potentes en el panorama actual de la inteligencia artificial. Aunque se ha aplicado predominantemente a conjuntos de datos de imágenes, texto y señales altamente especializados, este libro sintetiza y presenta enfoques novedosos de aprendizaje profundo para un dominio aparentemente improbable: los datos tabulares. Ya sea para finanzas, negocios, seguridad, medicina o innumerables otros dominios, el aprendizaje profundo puede ayudar a extraer y modelar patrones complejos en datos tabulares, una forma increíblemente ubicua de datos estructurados.
La Parte I del libro ofrece una visión general rigurosa de los principios, algoritmos y habilidades de implementación del aprendizaje automático relevantes para modelar y manipular de manera integral los datos tabulares. La Parte II estudia cinco diseños de modelos de aprendizaje profundo dominantes: redes neuronales artificiales, redes neuronales convolucionales, redes neuronales recurrentes, atención y transformadores, y redes arraigadas en árboles, tanto a través de su uso "predeterminado" como de su aplicación a datos tabulares. La Parte III combina el poder de los métodos cubiertos anteriormente al examinar estrategias y técnicas para potenciar los sistemas de aprendizaje profundo: autoencoders, generación profunda de datos, metaoptimización, organización multimodo e interpretabilidad de redes neuronales. Cada capítulo incluye amplias visualizaciones, código y cobertura de investigación relevante.
El aprendizaje profundo moderno para datos tabulares es uno de los primeros de su tipo: una amplia exploración de la teoría y las aplicaciones del aprendizaje profundo a datos tabulares, que integra y documenta métodos y técnicas novedosos en el campo. Este libro proporciona un sólido conjunto de herramientas conceptuales y teóricas para abordar problemas desafiantes de datos tabulares.Lo que aprenderá
- Conceptos y desarrollos importantes en el aprendizaje automático y profundo moderno, con un fuerte énfasis en las aplicaciones de datos tabulares.
- Comprender los vínculos prometedores entre el aprendizaje profundo y los datos tabulares, y cuándo un enfoque de aprendizaje profundo es o no apropiado.
- Aplicar investigaciones prometedoras y enfoques de modelado únicos en contextos de datos del mundo real.
- Explorar e interactuar con avances teóricos modernos y respaldados por la investigación sobre el modelado tabular profundo.
- Utilizar métodos de preprocesamiento únicos y exitosos para preparar datos tabulares para un modelado exitoso.
Autor: Andre Ye, Zian Wang
Editorial: Apress
Publicado: 30/12/2022
Páginas: 842
Tipo de encuadernación: Tapa blanda
Peso: 3.27 libras
Tamaño: 10.00 alto x 7.00 ancho x 1.73 profundidad
ISBN13: 9781484286913
ISBN10: 148428691X
Categorías BISAC:
- Informática | Inteligencia Artificial | General
- Informática | Teoría de la Información
Acerca del autor
Andre Ye es un investigador de aprendizaje profundo enfocado en construir y entrenar sistemas robustos de visión por computadora médica profunda para contextos inciertos, ambiguos e inusuales. Ha publicado otro libro con Apress, Modern Deep Learning Design and Applications, y escribe artículos de ciencia de datos de formato corto en su blog. En su tiempo libre, Andre disfruta mantenerse al tanto de la investigación actual sobre aprendizaje profundo y tocar heavy metal.
Andy Wang es un investigador y escritor técnico apasionado por la ciencia de datos y el aprendizaje automático. Con una amplia experiencia en herramientas y aplicaciones modernas de IA, ha competido en varias competiciones profesionales de ciencia de datos, obteniendo cientos y miles de visitas en sus artículos publicados. Su enfoque principal radica en construir pipelines de modelos versátiles para diferentes configuraciones de problemas, incluidas tareas tabulares y relacionadas con la visión por computadora. En otros momentos, cuando Andy no está escribiendo o programando, tiene pasión por el piano y la natación.