Sugestão de livros para Deep Learning
Em um mundo onde temos que aprender mais coisas em um ritmo cada vez mais acelerado, gastar o nosso tempo com livros que pouco acrescentam na nossa formação, ou que mais enrola do explica pode ser frustrante, tanto pelo tempo quanto dinheiro gastos. Assim, talvez a lista a seguir possa te ajudar, caso você esteja começando ou pretende se aperfeiçoar em algum assunto dentro de deep learning.
A minha lista abordará livros para se iniciar no assunto, e também livros que aprofundam no campo de visão computacional que é a área que trabalho, e foco mais os meus estudos.
Com certeza, esse é um ótimo ponto de partida se você está começando agora com deep learning, ou se já tem um conhecimento básico sobre o assunto. As maiores vantagens desse livro é a sua explicação clara e direta, ele traz apenas a abordagem matemática necessária para você pode iniciar no assunto, e exemplifica a explicação com exemplos aplicados utilizando o framework Keras, desenvolvido pelo autor do livro.
Dos livros para se aprender deep learning que li, esse é o que eu mais gostei. Ele aborda o assunto profundamente, mas com uma linguagem muito acessível. Ele consegue explorar a fundamentação matemática de uma maneira bastante acessível, sempre mostrando vários exemplos de implementação dos assuntos abordados, utilizando o PyTorch para a parte de deep learning e outros frameworks e bibliotecas Python como suporte, como numpy, sklearn, matplotlib, entre ouros.
Esse é a maior referência na área, é um livro que se você quiser dar um passo a mais no assunto, você terá que ler. No entanto, eu não recomendo que seja o seu primeiro livro, a não ser que você venha de áreas como matemática ou de uma parte mais teórica da ciência da computação, mas se você é um engenheiro, ou um programador, começar pelos dois livros indicados acima é mais indicado. Com certeza você irá precisar de cálculo, estatística e álgebra linear para aprender deep learning. Entretanto, esse livro tem uma abordagem mais pesada, quando eu estava lendo ele, várias vezes tive que ir em outros lugares e ler o mesmo assunto lá para depois voltar nele, para entender o que ele estava “falando”. Com certeza a leitura dele compensa, só pratique um pouco, e solidifique um pouco os conceitos básicos antes de le
Possui uma linguagem bastante acessível, mas se aprofunda pouco no assunto. Se você já leu alguns dos livros acima, praticamente aproveitará só a metade desse livro. No entanto, pelo fato de ser claro, ir direto ao ponto, para mim a leitura desses capítulos valeram a pena.
Esse livro dentre os que li é o mais completo para visão computacional utilizando deep learning. Apesar de os primeiros capítulos também serem introdutórios, e dispensável se você já conhece o PyTorch e o básico de deep learning. Esse livro tem muitos capítulos sobre a parte de visão, abordando temas como detecção de objetos, segmentação semântica e por instâncias, além de outros temas, como pose, zero-shot learning, few-shot learning. Esse é um livro muito completo, com uma linguagem acessível e bons exemplos, eu ainda estou o lendo, e estou gostando bastante.
Nos livros de visão computacional citados acima tem um capítulo sobre GANs, mas ler um livro somente sobre GANs é totalmente diferente. Pela relevância que GANs está tendo na área de visão computacional, para mim, compensou muito ler esse livro. Ele tem uma linguagem bastante acessível, como é de característica dessa série IN ACTION. No entanto, como uma introdução ao assunto, me ajudou bastante. Claro que GANs é um tema em evolução constante, do qual sai diversos papers o tempo todo, e para acompanhar arquiteturas mais avançadas como a StyleGAN, por exemplo, é necessário ler artigos, mas esse livro é um bom ponto de partida sobre o assunto.
Ao contrário do GANs in Action, esse livro diversifica mais as aplicações abordadas, o GANs in Action foca totalmente na parte de visão computacional, já esse aborda também a geração em áreas como NLP e áudio. Esse livro também possui uma linguagem bem acessível, embora em ambos os livros sobre GANs, a matemática não é muito aprofundada, trazendo somente o básico sobre as arquiteturas. Para se entender o estado da arte nesse assunto a leitura de artigos é indispensável.