Llegamos al final de nuestro viaje introductorio en deep learning.
Ahora entiendes de qué se trata todo esto. Tal vez realmente te gusta y estás listo para profundizar tu conocimiento en el tema (profundizar, deep learning, ¿entiendes? 👀).
Este será un artículo más corto, solo ofreceré algunos consejos que puedes seguir como próximos pasos. Bien, ¡empecemos!
-
Consigue un libro introductorio en redes neuronales: Traté de hacer mi mejor esfuerzo explicando cada tema tan claramente como pude, pero un libro tiene mucho más espacio para elaborar más en los detalles. Recomiendo Grokking Deep Learning, de Andrew Trask, en el cual esta serie está basada en gran medida. Hay muchas otras grandes alternativas, así que ve a echar un vistazo.
-
Consigue un libro ‘matemático’ de DL: El siguiente paso obvio es ir por algo un poco más académico. Si estás interesado en entender los internos de las redes neuronales o quieres crear nuevo conocimiento en este campo, necesitarás las herramientas en esos libros. Recomiendo el libro de Goodfellow, Bengio y Courville.
- Aprende más Keras: Keras es una biblioteca popular, y ahora que Tensorflow la ha adoptado como su API oficial de alto nivel tienes aún más razones para aprenderla. La usamos en los últimos dos artículos, pero eso fue solo una pequeña demostración comparado con lo que puedes lograr usándola.
- Aprende PyTorch: PyTorch es una gran alternativa a Keras, y es muy popular entre los practicantes de DL. Echa un vistazo a la documentación y construye un par de redes pequeñas, aprender sobre otros frameworks siempre es beneficioso.
- Aprende sobre redes neuronales convolucionales: Las redes neuronales convolucionales son muy buenas procesando imágenes y datos de video. Tienen muchas aplicaciones realmente interesantes y son ampliamente usadas en varios segmentos de la industria. Si quieres resolver problemas que involucren video o fotos este es el siguiente paso.
- Aquí hay una introducción rápida a las CNNs.
- Aquí está la documentación de Keras sobre capas convolucionales.
- Aprende sobre redes neuronales recurrentes: Las redes neuronales recurrentes son geniales para trabajar con datos secuenciales. Cosas como texto, secuencias de ADN, datos de audio o registros históricos son buenas coincidencias para las RNNs. Si necesitas trabajar con este tipo de datos ¡las RNNs son el camino a seguir!
- Esta es una introducción gentil a las RNNs.
- Esta es una hoja de trucos muy útil.
- Esta es la documentación de Keras sobre capas recurrentes.
¡Muchas gracias por leer!
Qué hacer después
- Comparte este artículo con amigos y colegas. Gracias por ayudarme a llegar a personas que podrían encontrar esta información útil.
- Puedes encontrar el código fuente para esta serie aquí
- Los enlaces de este artículo a libros contienen el código del blog. Si decides comprar uno de esos libros usando el enlace obtendré una pequeña comisión que me ayudará a mantener este blog funcionando. Gracias.
- Envíame un email con preguntas, comentarios o sugerencias (está en la página Autor)