En primer lugar, ¿dónde puedes obtenerlo? A partir de hoy, puedes descargar el libro electrónico o solicitar una copia impresa del editor, CRC Press; la edición en línea gratuita está disponible aquí. Hasta donde yo sé, no hay ningún problema al leer la versión en línea, excepto que falta la ardilla de la portada del libro.
Entonces, si te encantan las criaturas sorprendentes…
¿Qué contiene el libro?
Aprendizaje profundo y computación científica con R torch se divide en tres partes.
La primera parte abarca los conceptos fundamentales: tensores y cómo manipularlos; diferenciación automática, la condición sine qua non del aprendizaje profundo; optimización, la estrategia que impulsa gran parte de lo que llamamos inteligencia artificial; y módulos de redes neuronales, la forma de encapsular el flujo algorítmico de torch. El enfoque se centra en comprender los conceptos y en cómo funcionan las cosas; por eso realizamos tareas como codificar una red neuronal desde cero, algo que probablemente nunca harás en un uso posterior.
Una vez sentadas las bases, la segunda parte, considerablemente más extensa, se adentra en las aplicaciones del aprendizaje profundo. Aquí es donde el ecosistema que rodea el núcleo de torch cobra vida. En primer lugar, vemos cómo luz automatiza y simplifica en gran medida muchas tareas de programación relacionadas con el entrenamiento de redes, la evaluación del rendimiento y la predicción. Luego, haciendo uso de los envoltorios y las facilidades de instrumentación que proporciona, aprendemos dos aspectos del aprendizaje profundo que ninguna aplicación del mundo real puede darse el lujo de pasar por alto: cómo lograr que los modelos se generalicen a datos invisibles y cómo acelerar el entrenamiento. Las técnicas que introducimos se aplican posteriormente en casos de uso como clasificación y segmentación de imágenes, regresión de datos tabulares, pronóstico de series temporales y clasificación de expresiones de voz. Es al trabajar con imágenes y sonido que entran en juego las bibliotecas esenciales del ecosistema, es decir, torchvision y torchaudio, que se utilizan para funciones específicas del dominio.
En la tercera parte, exploramos cómo torch puede ser útil en aplicaciones matemáticas o científicas generales que van más allá del aprendizaje profundo. Algunos temas destacados incluyen regresión mediante descomposición matricial, la transformada discreta de Fourier y la transformada Wavelet. El objetivo principal aquí es comprender las ideas subyacentes y por qué son tan importantes. Por lo tanto, al igual que en la primera parte, aquí también codificamos algoritmos desde cero antes de introducir las versiones optimizadas de torch.
Después de conocer el contenido del libro, es posible que te preguntes:
¿Para quién es este libro?
En resumen, Aprendizaje Profundo y Computación Científica con R torch, siendo el único texto completo hasta la fecha de este artículo sobre este tema, está dirigido a una amplia audiencia. La esperanza es que haya algo para todos (o casi todos).
Si nunca has usado torch u otro marco de aprendizaje profundo, es recomendable comenzar desde el principio. No se requiere experiencia previa en aprendizaje profundo. Se parte de un conocimiento básico de R y familiaridad con términos de aprendizaje automático como aprendizaje supervisado o no supervisado, conjuntos de entrenamiento, de validación, entre otros. Una vez que hayas completado la primera parte, descubrirás que las partes dos y tres continúan justo donde las dejaste.
Por otro lado, si ya tienes experiencia básica con torch u otros marcos de diferenciación automática y estás principalmente interesado en el aprendizaje profundo aplicado, puede que desees revisar brevemente la primera parte y avanzar hacia la segunda parte, explorando las aplicaciones que más te interesen o buscando inspiración. Los ejemplos relacionados con dominios se han seleccionado para ser bastante genéricos y simples, de modo que el código pueda generalizarse a una amplia gama de aplicaciones similares.
Finalmente, si fue la "computación científica" del título lo que captó tu atención, ¡espero que la tercera parte te resulte interesante! (Como autora del libro, puedo decir que escribir esta sección fue una experiencia extremadamente satisfactoria y sorprendentemente atractiva). En la tercera parte, tiene sentido explorar los temas de manera independiente, ya que apenas están relacionados entre sí, así que puedes buscar lo que más te llame la atención.
Para concluir:
¿Qué obtendrás?
En cuanto al contenido, creo que he respondido a esta pregunta. Si hubiera otros libros sobre torch con R, seguramente destacaría dos aspectos: en primer lugar, el enfoque en comprender los conceptos, como se mencionó anteriormente. En segundo lugar, la utilidad de los ejemplos de código. Al utilizar conjuntos de datos disponibles en el mercado y abordar los tipos habituales de tareas, hemos escrito código que sirve como punto de partida en tus propias aplicaciones, proporcionando plantillas listas para copiar, pegar y ajustar según tus necesidades.
¡Gracias por leer y espero que disfrutes el libro!