Aprendizaje profundo generativo, 2ª edición

Parte II. Métodos

En la Parte II nos sumergiremos en las seis familias de modelos generativos, incluyendo la teoría que subyace a su funcionamiento y ejemplos prácticos de cómo construir cada tipo de modelo.

En el Capítulo 3 echaremos un vistazo a nuestro primer modelo de aprendizaje profundo generativo, el autoencoder variacional. Esta técnica nos permitirá no sólo generar rostros realistas, sino también alterar imágenes existentes, por ejemplo, añadiendo una sonrisa o cambiando el color del pelo de alguien.

El Capítulo 4 explora una de las técnicas de modelado generativo de más éxito de los últimos años, la red generativa adversarial. Veremos las formas en que se ha afinado y adaptado el entrenamiento de la GAN para ampliar continuamente los límites de lo que el modelado generativo es capaz de lograr.

En el Capítulo 5 profundizaremos en varios ejemplos de modelos autorregresivos, incluidos los LSTM y PixelCNN. Esta familia de modelos trata el proceso de generación como un problema de predicción de secuencias: es la base de los modelos actuales de generación de texto de última generación y también puede utilizarse para la generación de imágenes.

En el Capítulo 6 trataremos la familia de modelos de flujo normalizador, incluido el RealNVP. Este modelo se basa en una fórmula de cambio de variables, que permite transformar una distribución simple, como una distribución gaussiana, en una distribución más compleja de forma que se preserve la trazabilidad.

El Capítulo 7 presenta la ...