FOSTER, DAVID
Agradecimientos
Sobre el autor
Prólogo
Prefacio
Parte I. Introducción al deep learning generativo
Capítulo 1. Modelado generativo
Capítulo 2. Deep learning
Parte II. Métodos
Capítulo 3. Autocodificadores variacionales
Capítulo 4. Redes generativas adversativas
Capítulo 5. Modelos autorregresivos
Capítulo 6. Modelos de flujos de normalización
Capítulo 7. Modelos basados en energía
Capítulo 8. Modelos de difusión
Parte III. Aplicaciones
Capítulo 9. Transformers
Capítulo 10. Redes GAN avanzadas
Capítulo 11. Generación de música
Capítulo 12. Modelos reales
Capítulo 13. Modelos multimodales
Capítulo 14. Conclusión
Índice alfabético
La inteligencia artificial generativa es el tema de moda en tecnología. Esta guía práctica enseña a los ingenieros del machine learning y a los científicos de datos cómo utilizar TensorFlow y Keras para crear desde cero impresionantes modelos de deep learning generativo, como autocodificadores variacionales o VAE, redes generativas adversativas o GAN, Transformers, flujos de normalización, modelos de difusión y basados en energía.El libro expone los fundamentos del deep learning y también las arquitecturas más innovadoras. Mediante consejos y trucos, permite al lector comprender cómo lograr que los modelos aprendan de un modo más eficiente y lleguen a ser más creativos.
David Foster es científico de datos, empresario y educador especializado en aplicaciones de inteligencia artificial en ámbitos creativos. Como socio fundador de la consultoría ADSP ('Applied Data Science Partners'), inspira y ayuda a las organizaciones a aprovechar el poder transformador de los datos y la IA, y proporciona soluciones a medida de ciencia de datos e inteligencia artificial. Tiene un máster en Matemáticas por el Trinity College de Cambridge y otro en Investigación Operativa por la Universidad de Warwick, y su trabajo se centra en las aplicaciones prácticas de la IA y la resolución de problemas reales.
A través de ADSP, David lidera la entrega de prominentes proyectos de inteligencia artificial y ciencia de datos, tanto en el sector público como en el privado. Ha ganado diversas competiciones internacionales en aprendizaje automático y es miembro del Machine Learning Institute. Es, además, conferenciante y ha impartido charlas en todo el mundo sobre temas relacionados con las aplicaciones de la ciencia de datos y la inteligencia artificial dentro del ámbito profesional y académico. Entre sus intereses en investigación se incluyen la mejora de la transparencia y capacidad de interpretación de los algoritmos de inteligencia artificial, y ha publicado literatura sobre 'machine learning' explicable en el sector de la salud.
