fbpx
  • Sobre Mim
  • Cursos
  • Política de Privacidade
  • Contato
Sigmoidal
  • Home
  • Artigos
    • All
    • Carreira
    • Data Science
    • Deep Learning
    • Iniciantes
    • Inteligência Artificial
    • Machine Learning
    • NFT
    • Projetos
    • Python
    • Teoria
    • Tutoriais
    • Visão Computacional
    • Youtube
    NFT e artes criadas por Inteligência Artificial

    NFT e artes criadas por Inteligência Artificial

    Crie um sistema de vigilância com drones e Deep Learning

    Crie um sistema de vigilância com drones e Deep Learning

    Python para análise de ações e investimentos

    Python para análise de ações e investimentos

    Revisão do livro Deep Learning

    Revisão do livro Deep Learning

    Entendendo as árvores de decisão em Machine Learning

    Entendendo as árvores de decisão em Machine Learning

    Gerando amostras para modelos de Deep learning no ArcGIS Pro

    Gerando amostras para modelos de Deep learning no ArcGIS Pro

    Como fazer gráficos rotulados em Python

    Como fazer gráficos rotulados em Python

    7 Livros de Data Science em 2021

    7 Livros de Data Science em 2021

    A faculdade te ensinou tudo, menos como conseguir um emprego.

    A faculdade te ensinou tudo, menos como conseguir um emprego.

    Quanto ganha um Cientista de Dados?

    Quanto ganha um Cientista de Dados?

    Trabalhando com Dados Desbalanceados

    Trabalhando com Dados Desbalanceados

    Detector de Fadiga usando Python

    Detector de Fadiga usando Python

    Trending Tags

    • python
    • data science
    • machine learning
    • deep learning
    • tutoriais
  • Python do Zero
  • Produções Sigmoidal
  • Escola de Data Scienceassine
No Result
View All Result
  • Home
  • Artigos
    • All
    • Carreira
    • Data Science
    • Deep Learning
    • Iniciantes
    • Inteligência Artificial
    • Machine Learning
    • NFT
    • Projetos
    • Python
    • Teoria
    • Tutoriais
    • Visão Computacional
    • Youtube
    NFT e artes criadas por Inteligência Artificial

    NFT e artes criadas por Inteligência Artificial

    Crie um sistema de vigilância com drones e Deep Learning

    Crie um sistema de vigilância com drones e Deep Learning

    Python para análise de ações e investimentos

    Python para análise de ações e investimentos

    Revisão do livro Deep Learning

    Revisão do livro Deep Learning

    Entendendo as árvores de decisão em Machine Learning

    Entendendo as árvores de decisão em Machine Learning

    Gerando amostras para modelos de Deep learning no ArcGIS Pro

    Gerando amostras para modelos de Deep learning no ArcGIS Pro

    Como fazer gráficos rotulados em Python

    Como fazer gráficos rotulados em Python

    7 Livros de Data Science em 2021

    7 Livros de Data Science em 2021

    A faculdade te ensinou tudo, menos como conseguir um emprego.

    A faculdade te ensinou tudo, menos como conseguir um emprego.

    Quanto ganha um Cientista de Dados?

    Quanto ganha um Cientista de Dados?

    Trabalhando com Dados Desbalanceados

    Trabalhando com Dados Desbalanceados

    Detector de Fadiga usando Python

    Detector de Fadiga usando Python

    Trending Tags

    • python
    • data science
    • machine learning
    • deep learning
    • tutoriais
  • Python do Zero
  • Produções Sigmoidal
  • Escola de Data Scienceassine
No Result
View All Result
Sigmoidal
No Result
View All Result
Home Livros

Revisão do livro Deep Learning

Review do livro Deep Learning, de Ian Goodfellow

Carlos Melo by Carlos Melo
junho 1, 2022
in Deep Learning, Livros
0
Revisão do livro Deep Learning
345
VIEWS
Compartilhar no LinkedInCompartilhar no FacebookPublicar no Twitter

Yan Goodfellow é uma das maiores autoridades dentro do campo da Inteligência Artificial (IA). Engenheiro da computação, com graduação e mestrado pela Universidade de Stanford, foi orientado por ninguém que Andrew Ng durante seu período acadêmico.

Logo após formado, fez parte do time de pesquisa Google Brain, passou pela OpenAI e recentemente pediu demissão do cargo de Diretor de Pesquisa em IA na Apple, por não aceitar a política de trabalho presencial que a empresa estava reativando após a pandemia.

Conhecido como “pai das Generative Adversarial Networks (GANs)”, Ian Goodfellow é um dos autores desse que é considerado como um dos melhores livros teóricos de Deep Learning.

E hoje eu irei fazer um review dessa obra – que aliás, tem lugar de destaque na minha biblioteca pessoal.

O único livro realmente aprofundado em Deep Learning

O meu primeiro contato com esse livro foi há alguns anos, depois de acompanhar vários cientistas de dados que admirava, indicando essa aclamada publicação.

LIVRO ESCRITO POR TRÊS EXPERTS NA ÁREA, DEEP LEARNING É O ÚNICO LIVRO REALMENTE COMPLETO SOBRE O ASSUNTO.

Elon Musk

Há cinco anos, mesmo sem possuir a experiência que tenho hoje, já identifiquei que a obra se tornaria um clássico para todos que realmente aspiravam aprofundar nesse admirável mundo das redes neurais profundas.

Tamanho foi o impacto causado pelo conteúdo que tive contato, que recentemente encomendei a sua versão física pelo site da MIT Press, e dessa vez fiz uma segunda leitura mais cuidadosa, tomando notas de estudo melhores e absorvendo pontos que tinha passado batido.

Tal afirmação pode soar exagerada, mas se considerarmos que foram palavras do próprio Elon Musk, co-fundador do PayPal, co-chair da OpenAI e CEO da Tesla e Space, talvez ela devesse ser realmente considerada.

Yann LeCun, Diretor de pesquisa em IA no Facebook, também considerou esse livro como sendo o mais abrangente da atualidade, escrito pelos pesquisadores mais inovadores e disruptivos no campo de pesquisa considerado.Acertadamente, previu que alguns anos após a sua publicação (novembro de 2016) se tornaria referência mundial.

A aurora das redes neurais profundas

O sonho de se criar máquinas que pensam, é tão antigo antigo quanto a própria humanidade. 

Independente do momento em que olhamos na linha do tempo da humanidade, é muito fácil identificar indícios desse desejo, dessa habilidade de imaginar o homem criando uma inteligência. 

Talos, uma idealização grega sobre seres dotados de uma inteligência criada, servido seres humanos.

As primeiras 12 páginas do livro são, na minha opinião, impactantes para qualquer cientista de dados. São páginas que irão fazer você parar de pensar sobre a IA como algo externo e dissociado de você, e passar a vê-la como um desejo inato que persegue a própria humanidade desde sempre.

E para defender seu ponto de vista, somos levados para o tempo dos gregos antigos, há cerca de 2.700 anos, para ver como esses já registravam na sua literatura figuras como  Talos, um autômato gigante de bronze, forjado para proteger a ilha de Creta dos invasores, ou Pandora, que seria uma mulher artificial, construída e programada para punir os humanos pela descoberta do fogo.

Assim como os mitológicos Dédalo e Pigmaleão poderiam representar o papel do inventor, Talos, Galateia e Pandora seriam aquilo que classificaríamos como “vida artificial” – e dotada de uma certa inteligência artificial.

Com traços de narrativa que lembrariam uma epopeia, o capítulo introdutório mostra que o desejo de se construir máquinas que pensam, remonta desde os tempos da Grécia antiga. Ao conectar o imaginário dos gregos antigos, com as mais avançadas pesquisas em machine learning, realmente nos sentindo como se estivéssemos celebrando uma ação grandiosa, no qual se exprime um mito coletivo.

A mudança de paradigma da Inteligência Artificial

Os autores também fazem uma ligação entre a criação do primeiro algoritmo para ser processado por uma máquina, com Ada Lovelace (1842), e natureza evolutiva dos problemas que tentamos resolver nos dias atuais.

Detecção automática de objetos usando Deep Learning

Historicamente falando, a busca por computadores inteligentes visava atender uma necessidade de se resolver problemas que eram considerados como sendo intelectualmente difíceis para nós, humanos – e relativamente fáceis para as máquinas. Nessa aurora que tivemos, de fato, tivemos muitos projetos bem sucedidos, principalmente para liar com problemas que podiam ser descritos por uma lista de regras formais e matemáticas – resolvendo exatamente o que a IA se propunha até então.

Quer ver uma ironia? 

A Inteligência Artificial surgiu para resolver os problemas que eram dificeis intelectualmente para nós seres humanos. Mas o tempo mostrou que, na verdade, o grande desafio da IA era resolver exatamente os problemas que as pessoas consideram fáceis, que elas fazem intuitivamente, de forma automática, como entender o que alguém está falando, reconhecer um carro em uma imagem, identificar faces de pessoas, diferenciar gatos de cachorros.

Todo o trabalho que estava sendo desenvolvido até algumas décadas atrás, era baseado no hard-code knowledge. Ou seja, eu precisava gerar todo o conhecimento de mundo e inserir em uma base de dados, e escrever as regras formais dentro daquele domínio do problema.

Bem, isso funciona para o lançamento do ônibus espacial, ou para escrever um algoritmo capaz de bater um campeão mundial de xadrez. Mas como eu vou codificar o senso-comum, os sentidos humanos ou a criatividade?

Como escrever programas capazes de identificar objetos em uma foto, ou interpretar palavras ditas por alguém, ou até mesmo escrever poemas?

O livro Deep Learning ataca exatamente esse domínio do problema: problemas que são intuitivos para os seres humanos, mas extremamente difíceis para as máquinas.

Não é um livro de códigos e projetos

A maior parte dos leitores brasileiros, provavelmente está mais acostumada a livros práticos, com scripts em Python e projetos que vão sendo desenvolvidos ao longo dos capítulos. Pois bem, Deep Learning não faz parte desse gênero.

É um livro teórico, que percorre desde os princípios básicos de ativação uma rede neural com múltiplas multicamadas, regularizações possíveis e como otimização um modelo durante a fase de treino, até Autoencoders, modelos estruturados probabilísticos e Deep Generative Models.

Se você não possui uma base mínima em Cálculo, Álgebra Linear, Computação Numérica e Estatística, provavelmente você irá se assustar com a densidade de símbolos presentes em cada página (como as duas que reproduzi acima).

Neste momento você deve estar se perguntando se mesmo assim, mesmo não tendo background em matemática, se valeria a pena incluir a obra na sua lista de leitura. Afinal, esse livro é para você?

Quem deveria ler esse livro?

Deep Learning não é um livro simples de ler, mesmo para aqueles que possuem alguma experiência prática. No final do Capítulo 1, os autores dizem que apesar de uma vasta gama de leitores poderem se beneficiar do conteúdo da publicação, eles têm duas audiências alvo bem definidas:

  1. Estudantes universitários (graduação e pós graduação) que estão aprendendo sobre machine learning, e pesquisadores na área da Inteligência Artificial; e
  2. Engenheiros de softwares e cientistas de dados que não possuem background sólido em machine learning e estatística, mas que estão dispostos a adquirí-lo rapidamente a fim de de usar Deep Learning nos seus produtos e plataformas.

Explicitamente eles dizem que assumem a premissa de que todos os leitores vêm de um background de Ciências da Computação (ou similar). Ou seja, são leitores que entendem conceitos como programação, complexidade computacional, Teoria de Grafos e noções básicas de Cálculo.

De qualquer jeito, como praxe em livros mais teóricos, os autores reservaram a primeira parte do livro para introduzir conceitos básicos da matemática exigida (Álgebra Linear, Teoria da Probabilidade, Computação Numérica e introdução ao Machine Learning).

Conclusão

Deep Learning, de Ian Good fellow, Yoshua Bengio e Aaron Courville é um livro clássico e único no mercado editorial. Mas não é de fácil leitura para aqueles que não estão acostumados com obras mais densas em termos matemáticos.

Se você está ingressando agora no fantástico mundos das redes neurais profundas, eu recomendaria que você começasse com livros mais práticos, como este do Aurélien Géron.

No entanto, inevitavelmente você terá que desenvolver suas habilidades matemáticas para continuar a evolução na carreira de cientista de dados. Ou seja, é indicado que você comece, aos poucos, a inserir literaturas mais voltadas à teoria e menos ao código. Lembre-se da minha sugestão: 80% prática, 20% teoria.

Agora, se você já está trabalhando com Deep Learning há algum tempo, sabe usar muito bem bibliotecas como TensorFlow ou PyTorch, entre outras, eu recomendo fortemente que você comece a reforçar essa dimensão teórica e conceitual. Esse livro deve fazer parte da sua rotina de estudos.

Para quem quer se aventurar, lembre-se que há uma versão digital completamente gratuita. Clique aqui e conheça agora mesmo essa bíblia da Aprendizagem Profunda.

The Review

Deep Learning

8.9 Score

O livro mais abrangente e completo sobre a teoria por trás do Deep Learning. Mais do que conceitos matemáticos, os autores trazem uma revisão histórica das origens da Inteligência Artificial.

PROS

  • Quantidade de referências bibliográficas
  • Narrativa agradável e fluida
  • Abrangência de conteúdo
  • Versão online gratuita

CONS

  • Ausência de projetos
  • Pré-requisitos matemáticos
  • Muitas autorreferências

Review Breakdown

  • Relevância 0
  • Linguagem 0
  • Autores da obra 0
  • Diagramação 0
  • Conteúdos extras 0
  • Referências bibliográficas 0
  • Preço 0

Deep Learning DEALS

We collect information from many stores for best price available

Best Price

R$0
  • Amazon
    R$461 Buy Now
Tags: deep learningIan goodfellowlivrosresenhareview
Previous Post

Entendendo as árvores de decisão em Machine Learning

Next Post

Python para análise de ações e investimentos

Carlos Melo

Carlos Melo

Piloto da Força Aérea Brasileira por 16 anos, Mestre em Ciências e Tecnologias Aeroespaciais pelo ITA e criador do Sigmoidal.

Next Post
Python para análise de ações e investimentos

Python para análise de ações e investimentos

Deixe um comentário Cancelar resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Fique Conectado

  • 20.5k Followers
  • Trending
  • Comments
  • Latest
Como Tratar Dados Ausentes com Pandas

Como Tratar Dados Ausentes com Pandas

agosto 13, 2019
NFT e artes criadas por Inteligência Artificial

NFT e artes criadas por Inteligência Artificial

junho 17, 2022
Crie um sistema de vigilância com drones e Deep Learning

Crie um sistema de vigilância com drones e Deep Learning

junho 11, 2022
Redes Neurais Multicamadas com Python e Keras

Redes Neurais Multicamadas com Python e Keras

junho 6, 2019
Setembro Amarelo: Análise do Suicídio no Brasil, com Data Science

Setembro Amarelo: Análise do Suicídio no Brasil, com Data Science

10
Machine Learning para a Detecção de Câncer de Mama

Machine Learning para a Detecção de Câncer de Mama

4
NLP para analisar Rony Meisler, CEO da Reserva

NLP para analisar Rony Meisler, CEO da Reserva

3
Redes Neurais Convolucionais com Python

Redes Neurais Convolucionais com Python

2
NFT e artes criadas por Inteligência Artificial

NFT e artes criadas por Inteligência Artificial

junho 17, 2022
Crie um sistema de vigilância com drones e Deep Learning

Crie um sistema de vigilância com drones e Deep Learning

junho 11, 2022
Python para análise de ações e investimentos

Python para análise de ações e investimentos

junho 7, 2022
Revisão do livro Deep Learning

Revisão do livro Deep Learning

junho 1, 2022

Recent News

NFT e artes criadas por Inteligência Artificial

NFT e artes criadas por Inteligência Artificial

junho 17, 2022
Crie um sistema de vigilância com drones e Deep Learning

Crie um sistema de vigilância com drones e Deep Learning

junho 11, 2022
Python para análise de ações e investimentos

Python para análise de ações e investimentos

junho 7, 2022
Revisão do livro Deep Learning

Revisão do livro Deep Learning

Sigmoidal

O melhor conteúdo técnico de Data Science, com projetos práticos e exemplos do mundo real.

Fique Conectado

Navegar por Categoria

  • Artigos
  • Blog
  • Carreira
  • Cursos
  • Data Science
  • Deep Learning
  • Destaques
  • Iniciantes
  • Inteligência Artificial
  • Livros
  • Machine Learning
  • NFT
  • Produções Originais
  • Projetos
  • Python
  • Teoria
  • Tutoriais
  • Visão Computacional
  • Youtube

Artigos Recentes

NFT e artes criadas por Inteligência Artificial

NFT e artes criadas por Inteligência Artificial

junho 17, 2022
Crie um sistema de vigilância com drones e Deep Learning

Crie um sistema de vigilância com drones e Deep Learning

junho 11, 2022
  • Sobre Mim
  • Cursos
  • Política de Privacidade
  • Contato

© 2022 Sigmoidal - Aprenda Data Science e Python na prática.

No Result
View All Result
  • Home
  • Sobre Mim
  • Cursos e Livros
  • Contato

© 2022 Sigmoidal - Aprenda Data Science e Python na prática.

Welcome Back!

Login to your account below

Forgotten Password?

Retrieve your password

Please enter your username or email address to reset your password.

Log In

Add New Playlist