_____________________________________________________________________________________

BIBLIOGRAFÍA BÁSICA


1. Representation learning for Natural Language Processing. Zhiyuan Liu, Yankai Lin, Maosong Sun. Editorial Springer Nature, 2020. (URL)

Este libro de acceso abierto presenta los últimos avances en representación de textos para las aplicaciones de PLN. 

2. Natural language processing with PyTorch: build intelligent language applications using deep learning. Delip Rao, Brian McMahanRao. Editorial O'Reilly Media, Inc, 2019.

Este libro muestra cómo desarrollar aplicaciones de Procesamiento de Lenguaje Natural basados en modelos de aprendizaje profundo, usando PyTorch, una de las librerías de código abierto basada en Python más utilizada por los investigadores en Procesamiento de Lenguaje Natural y aprendizaje profundo. 

3. Transformers for Natural Language Processing: Build innovative deep neural network architectures for NLP with Python, PyTorch, TensorFlow, BERT, RoBERTa, and more. Denis Rothman. Editorial Packt Publishing Ltd, 2021.

Este libro es una buena guía para aprender de forma práctica entrenar y ajustar modelos transformers para tareas de PLN. No sólo aprenderas a implementar modelos con Pytorch, sino también con otras librerías como Tensorflow.


BIBLIOGRAFÍA RECOMENDADA


4. Handbook of Natural Language Processing, Second Edition. Nitin Indurkhya, Fred J. Damerau (Eds), CRC Press, 2010. 

Este libro ofrece una excelente revisión de las principales herramientas y principales enfoques utilizados antes de la aparición de los modelos de aprendizaje profundo y su aplicación en el campo del Procesamiento del Lenguaje Natural. El libro presenta las principales técnicas clásicas y enfoques estadísticos para tareas de Procesamiento de Lenguaje Natural, con ejemplos prácticos. Además, incluye guías para implementar soluciones para aplicaciones como la traducción automática, la visualización de la información, la generación automática de ontologías y también la extracción de información en textos médicos. 

5. Redes de Neuronas Artificiales: un enfoque práctico. Pedro Isasi Viñuela, Inés María Galván. Pearson Education, 2004.

Este libro se recomienda especialmente a aquellos estudiantes con poco conocimiento sobre las redes de neuronas artificiales. El libro explica los conceptos básicos de las redes neuronales artificiales a través de ejemplos prácticos, que ayudarán a los estudiantes a adquirir las nociones básicas e imprescindibles para comprender los modelos de aprendizaje profundo. 

6. DEEP LEARNING: Fundamentos del Aprendizaje Profundo para Principiantes. Rudolph Russell. CreateSpace Independent Publishing Platform. 2018.

Este libro ofrece una revisión de los principales conceptos sobre aprendizaje profundo, que proporcionará al estudiante una base solida para comprender las arquitecturas y funcionamiento de los principales modelos de redes neuronales profundas. 


Última modificación: lunes, 30 de octubre de 2023, 11:42