Deep Learning
El libro que formalizó el deep learning como disciplina, escrito por tres de sus pioneros.
ÁreaDeep Learning
TemaDeep Learning
NivelAvanzado
Publicación2016
Autor(es): Ian Goodfellow, Yoshua Bengio, Aaron Courville
Versión gratuita disponible¿Qué puedes lograr leyendo este libro?
- Entender las bases matemáticas completas del deep learning (álgebra lineal, probabilidad, optimización aplicadas)
- Comprender por qué funcionan arquitecturas como CNNs, RNNs y redes generativas, no solo cómo usarlas
- Leer papers de investigación en deep learning con una base teórica sólida
Descripción
Conocido como 'el libro' del deep learning, escrito por tres investigadores que definieron buena parte del campo, cubre desde los fundamentos matemáticos hasta arquitecturas avanzadas (CNNs, RNNs, autoencoders, modelos generativos), siendo el texto teórico de referencia obligada, aunque publicado antes de la era de los Transformers.
Para quién es ideal
- Quien ya tiene bases sólidas de ML y quiere entender el deep learning en profundidad matemática
- Preparación para investigación o estudios de posgrado en IA
- Complemento teórico a libros más prácticos como Deep Learning with Python
- Referencia para entender por qué funcionan (o fallan) ciertas arquitecturas
Contenido destacado
- Álgebra lineal, probabilidad y optimización aplicadas a deep learning
- Redes neuronales feedforward y regularización
- Redes convolucionales y recurrentes
- Autoencoders y modelos generativos
- Investigación aplicada: reconocimiento de voz, visión y NLP
Ventajas y limitaciones
Ventajas
- Disponible gratis y legalmente en HTML desde el sitio oficial
- Escrito por pioneros del campo, con autoridad y profundidad incomparables
- Sigue siendo la referencia teórica más citada en deep learning
Limitaciones
- Publicado en 2016, antes de la arquitectura Transformer que domina el campo hoy
- Denso matemáticamente, poco orientado a la implementación de código