Uno de mis recursos de aprendizaje favoritos para comprender las matemáticas detrás del aprendizaje profundo es «Matemáticas para el aprendizaje profundo» de Ronald T. Kneusel de No Starch Press. Si está interesado en aprender rápidamente cómo funcionan los algoritmos de aprendizaje profundo en un nivel básico, entonces este es el libro para usted. Completar este tratamiento relativamente corto del tema, en unas modestas 316 páginas, aumentará su conocimiento para que pueda obtener visibilidad de los algoritmos que dan servicio a dominios de problemas populares como la visión por computadora, el aprendizaje reforzado y la PNL. Además, si está tratando de comprender cómo funcionan la IA generativa más reciente, el transformador de preentrenamiento generativo (GPT) y los modelos de lenguaje extenso como ChatGPT, este libro es un gran primer paso (aunque hay mucho más que aprender). .
Este es el índice del libro:
Capítulo 1: Preparando el escenario
Capítulo 2: Probabilidad
Capítulo 3: Más probabilidad
Capítulo 4: Estadísticas
Capítulo 5: Álgebra lineal
Capítulo 6: Más álgebra lineal
Capítulo 7: Cálculo diferencial
Capítulo 8: Cálculo matricial
Capítulo 9: Flujo de datos en redes neuronales
Capítulo 10: Propagación hacia atrás
Capítulo 11: Descenso de gradiente
Los capítulos 1 a 4 son de naturaleza más correctiva y ponen al lector al día con información básica útil que incluye temas como conceptos básicos de Python con NumPy, conceptos básicos de probabilidad y estadísticas con correlación y prueba de hipótesis. Los capítulos 5 a 8 forman la base del libro al demostrar técnicas matemáticas en las que se basa el aprendizaje profundo, incluidos vectores, matrices y tensores, PCA, SVD, cálculo diferencial y cálculo matricial. El Capítulo 9 se centra en las redes neuronales convolucionales (CNN) que se utilizan para los dominios de problemas de visión por computadora. Los capítulos más importantes son el Capítulo 10 sobre backprop y el Capítulo 11 sobre descenso de pendientes. El lector debería dedicar más tiempo a estudiar estos dos capítulos en detalle con las matemáticas y el código de Python.
Comprender las matemáticas es especialmente importante. Recomiendo tomarse el tiempo para resolver las matemáticas a mano (como las derivadas parciales para la función de pérdida en backprop y las funciones de activación no lineales como sigmoid, ReLU y Tanh), con la guía del libro.
La mejor parte del libro es que después de proporcionar una perspectiva matemática detallada de los temas, el libro también proporciona el código fuente de Python para que pueda probar los cálculos usted mismo. Encontrarás funciones para realizar descensos de gradiente por ejemplo.
El libro está bien organizado y proporciona explicaciones claras de conceptos y técnicas matemáticos clave que son esenciales para comprender y aplicar algoritmos de aprendizaje profundo. Uno de los puntos fuertes del libro es que cubre una amplia gama de temas, que incluyen álgebra lineal, cálculo, teoría de la probabilidad y optimización. Esta amplitud de cobertura lo convierte en un recurso ideal para principiantes que pueden no tener una base sólida en todas estas áreas. Además, cada tema se presenta de manera independiente, por lo que los lectores pueden concentrarse en áreas específicas de interés sin sentirse abrumados por el material.
El libro está estructurado en una progresión lógica, comenzando con los conceptos básicos de álgebra lineal y avanzando hacia temas más avanzados como el cálculo matricial, los valores propios y los vectores propios y la teoría de la probabilidad. A lo largo del libro, Kneusel utiliza un lenguaje claro y conciso, así como numerosos ejemplos y diagramas, para ayudar a los lectores a comprender conceptos matemáticos complejos.
Uno de los aspectos más valiosos de «Matemáticas para el aprendizaje profundo» es el énfasis del autor en las aplicaciones prácticas de las matemáticas. Kneusel proporciona muchos ejemplos de cómo se utilizan las matemáticas en algoritmos de aprendizaje profundo, lo que ayuda a los lectores a comprender la relevancia del material. Además, proporciona ejercicios al final de cada capítulo para ayudar a los lectores a solidificar su comprensión del material.
Si bien el libro está dirigido a principiantes, asume cierta familiaridad con el cálculo básico y el álgebra lineal. Sin embargo, Kneusel proporciona un apéndice útil que revisa los conceptos clave de estas áreas, para que los lectores puedan actualizar rápidamente sus conocimientos si es necesario.
En general, «Matemáticas para el aprendizaje profundo» es un excelente recurso para cualquiera que busque obtener una base sólida en las matemáticas que subyacen a los algoritmos de aprendizaje profundo. El libro es accesible, está bien organizado y proporciona explicaciones claras y ejemplos prácticos de conceptos matemáticos clave. Lo recomiendo encarecidamente a cualquier persona interesada en este campo.
CContribución de Daniel D. Gutiérrez, editor en jefe y científico de datos residente de insideBIGDATA. Además de ser periodista tecnológico, Daniel también es consultor en ciencia de datos, autor, educador y forma parte de varios consejos asesores de varias empresas emergentes.
Regístrese para recibir el boletín gratuito insideBIGDATA.
Únase a nosotros en Twitter: https://twitter.com/InsideBigData1
Únase a nosotros en LinkedIn: https://www.linkedin.com/company/insidebigdata/
Únase a nosotros en Facebook: https://www.facebook.com/insideBIGDATANOW
