Índice Analítico
. -- Prefacio
. -- Acerca de Este Libro.....
. -- Parte 1: Introducción.
. -- Capítulo 1. ¿Qué es el Deep Learning?
. -- 1.1. Inteligencia Artificial.
. -- 1.1.1. la Inteligencia Artificial Está Cambiando Nuestras Vidas
. -- 1.1.2. Clases de Inteligencia Artificial.
. -- 1.2. Machine Learning...
. -- 1.3. Redes Neuronales y Deep Learning.
. -- 1.3.1. Redes Neuronales Artificiales.
. -- 1.3.2. las Deep Networks Básicas.
. -- 1.4. ¿Por Qué Ahora?
. -- 1.4.1. la Supercomputación Corazón del Deep Learning
. -- 1.4.2. los Datos, el Combustible para la Inteligencia Artificial
. -- 1.4.3. Democratización de la Computación
. -- 1.4.4. una Comunidad de Investigación Muy Colaborativa.
. -- Capítulo 2. Entorno de Trabajo.
. -- 2.1. Entorno de Trabajo.
. -- 2.2. Tensorflow y Keras
. -- 2.2.1. Tensorflow.
. -- 2.2.2 Keras
. -- Capítulo 3. Python y sus Librerías
. -- 3.1. Conceptos Básicos de Python.
. -- 3.1.1. Primeros Pasos
. -- 3.1.2. Sangrado en Python
. -- 3.1.3. Variables, Operadores y Tipos de Datos.
. -- 3.1.4. Tipos de Estructuras de Datos.
. -- 3.1.5. Sentencias de Control de Flujo
. -- 3.1.6. Funciones
. -- 3.1.7. Clases
. -- 3.1.8. Decoradores
. -- 3.2. Librería Numpy.
. -- 3.2.1. Tensor
. -- 3.2.2. Manipulación de los Tensores.
. -- 3.2.3. Valor Máximo en un Tensor
. -- Parte 2: Fundamentos del Deep Learning.. Capítulo 4. Redes Neuronales Densamente Conectadas..
. -- 4.1. Caso de Estudio: Reconocimiento de Dígitos.
. -- 4.2. una Neurona Artificial
. -- 4.2.1. Introducción a la Terminología y Notación Básica.
. -- 4.2.2. Algoritmos de Regresión
. -- 4.2.3. una Neurona Artificial Simple.
. -- 4.3. Redes Neuronales
. -- 4.3.1. Perceptrón.
. -- 4.3.2. Perceptrón Multicapa
. -- 4.3.3. Perceptrón Multicapa para Clasificación
. -- 4.4. Función de Activación Softmax.
. -- Capítulo 5. Redes Neuronales en Keras
. -- 5.1. Precarga de los Datos en Keras.
. -- 5.2. Preprocesado de Datos de Entrada en una Red Neuronal
. -- 5.3. Definición del Modelo
. -- 5.4. Configuración del Proceso de Aprendizaje.
. -- 5.5. Entrenamiento del Modelo
. -- 5.6. Evaluación del Modelo
. -- 5.7. Generación de Predicciones.
. -- 5.8. Todos los Pasos de una Tirada
. -- Capítulo 6. Cómo Se Entrena una Red Neuronal
. -- 6.1. Proceso de Aprendizaje de una Red Neuronal
. -- 6.1.1. Visión Global
. -- 6.1.2. Proceso Iterativo de Aprendizaje de una Red Neuronal
. -- 6.1.3. Piezas Clave del Proceso de Backpropagation.
. -- 6.2. Descenso del Gradiente.
. -- 6.2.1. Algoritmo Básico de Descenso del Gradiente
. -- 6.2.2. Tipos de Descenso del Gradiente
. -- 6.3. Función de Pérdida.
. -- 6.4. Optimizadores
. -- Capítulo 7. Parámetros e Hiperparámetros en Redes Neuronales........
. -- 7.1. Parametrización de los Modelos
. -- 7.1.1. Motivación por los Hiperparámetros.
. -- 7.1.2. Parámetros e Hiperparámetros
. -- 7.1.3. Grupos de Hiperparámetros
. -- 7.2. Hiperparámetros Relacionados con el Algoritmo de Aprendizaje.
. -- 7.2.1. Número de Epochs...
. -- 7.2.2. Batch Size....
. -- 7.2.3. Learning Rate y Learning Rate Decay
. -- 7.2.4. Momentum
. -- 7.2.5. Inicialización de los Pesos de los Parámetros.
. -- 7.3. Funciones de Activación..
. -- 7.4. Practicando con una Clasificación Binaria
. -- Tensorflow Playground
. -- 7.4.2. Clasificación con una Sola Neurona
. -- 7.4.3. Clasificación con Más de una Neurona
. -- 7.4.4. Clasificación con Varias Capas.
. -- Capítulo 8. Redes Neuronales Convolucionales..
. -- 8.1. Introducción a las Redes Neuronales Convolucionales.
. -- 8.2. Componentes Básicos de una Red Neuronal Convolucional
. -- 8.2.1. Operación de Convolución.
. -- 8.2.2. Operación de Pooling
. -- 8.3. Implementación de un Modelo Básico en Keras
. -- 8.3.1. Arquitectura Básica de una Red Neuronal Convolucional.
. -- 8.3.2. un Modelo Simple
. -- 8.3.3. Configuración, Entrenamiento y Evaluación del Modelo
. -- 8.4. Hiperparámetros de la Capa Convolucional.
. -- 8.4.1. Tamaño y Número Filtros
. -- 8.4.2. Padding
. -- 8.4.3. Stride.
. -- 8.5. Conjunto de Datos F