Introducción matemática al deep learning: métodos, implementación y teoría
- Este libro tiene como objetivo presentar los algoritmos de deep learning.
- Examina en detalle, desde una perspectiva matemática, los componentes clave de los algoritmos de deep learning, e incluye diversas estructuras de redes neuronales artificiales (ANN) y algoritmos de optimización.
- Aborda varios aspectos teóricos de los algoritmos de deep learning, como la capacidad de aproximación de las ANN, la teoría de optimización y el error de generalización.
Revisión de métodos de aproximación de EDP mediante deep learning
- En la parte final del libro se revisan métodos de deep learning para aproximar EDP.
- Se incluyen redes neuronales informadas por la física (PINNs) y el método de Deep Galerkin, entre otros.
Público objetivo del libro
- Está escrito para estudiantes y científicos sin ningún conocimiento previo sobre deep learning.
- Ayuda a fortalecer la comprensión matemática de los objetos y métodos que los profesionales consideran en deep learning.
Información adicional
- El libro tiene 601 páginas e incluye 36 figuras y 45 fragmentos de código fuente.
- Las áreas temáticas son aprendizaje automático, inteligencia artificial, análisis numérico y probabilidad, y el código de clasificación MSC es 68T07.
Opinión de GN⁺
- Este libro ayudará a quienes se acercan por primera vez al deep learning a comprender de forma sistemática algoritmos y teorías complejas al proporcionar una base matemática.
- La explicación detallada de diversas estructuras de ANN y métodos de optimización ofrece a los profesionales el conocimiento profundo necesario para aplicarlos en sus propios proyectos.
- El contenido sobre métodos de aproximación de EDP presenta enfoques útiles para resolver problemas reales, especialmente en ingeniería y física, y destaca el lado práctico del deep learning.
Aún no hay comentarios.