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 ponerse al día rápidamente sobre cómo funcionan los algoritmos de aprendizaje profundo en un nivel básico, entonces este es el libro para usted. Pasar por este tratamiento relativamente corto del tema, en unas modestas 316 páginas, aumentará su conocimiento para que pueda obtener exposición a los algoritmos que sirven a los 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 modelos de lenguaje grandes como ChatGPT, este libro es un gran primer paso (aunque hay mucho más que aprender).

Aquí está 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: Gradiente descendente

Los capítulos 1 a 4 son de naturaleza más correctiva y actualizan al lector con información básica útil, incluidos temas como los conceptos básicos de Python con NumPy, los conceptos básicos de probabilidad y estadísticas con correlación y pruebas de hipótesis. Los capítulos 5 a 8 forman la base del libro al demostrar las 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) utilizadas 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 pasar más tiempo estudiando estos dos capítulos en detalle con código matemático y Python.

Comprender las matemáticas es especialmente importante. Recomiendo tomarse el tiempo para calcular manualmente las matemáticas (como derivadas parciales para la función de pérdida en backprop y 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 perspectivas matemáticas detalladas de los temas, el libro también proporciona el código fuente de Python para que pueda probar los cálculos usted mismo. Encontrará, por ejemplo, funciones para realizar el descenso de gradiente.

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, incluidos el álgebra lineal, el cálculo, la teoría de la probabilidad y la 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 por separado, para que los lectores puedan 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 pasando a 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 usan las matemáticas en algoritmos de aprendizaje profundo, que ayudan a los lectores a comprender la relevancia del material. También proporciona ejercicios al final de cada capítulo para ayudar a los lectores a solidificar su comprensión del material.

Aunque 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 conceptos clave en estas áreas, para que los lectores puedan actualizar rápidamente sus conocimientos según sea necesario.

En general, «Matemáticas para el aprendizaje profundo» es un excelente recurso para cualquiera que busque obtener una base sólida en las matemáticas detrás de 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 ampliamente 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 de tecnología, Daniel también es consultor científico de datos, autor, educador y forma parte de numerosos consejos asesores para 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