Advanced Applied Deep Learning

Tratado técnico avanzado centrado en el diseño minucioso de redes convolucionales y sistemas de visión artificial aplicados al mundo real. Umberto Michelucci ofrece una continuación analítica de su obra precedente recurriendo a Python, TensorFlow y Keras. El libro está orientado a científicos de datos, ingenieros de machine learning y desarrolladores con nivel intermedio a avanzado que ya conocen la mecánica básica de las redes neuronales y desean profundizar en el rigor matemático y la implementación de modelos para clasificación avanzada, detección de objetos y análisis biomédico.

El contenido explora componentes avanzados de TensorFlow (capas y pérdidas personalizadas, grafos y gestión de datos) y desglosa minuciosamente la matemática detrás del operador de convolución, los filtros, el padding y el pooling. Profundiza en arquitecturas profundas consolidadas y transfer learning con modelos preentrenados (como VGG, ResNet e Inception). Asimismo, aborda la formulación de funciones de coste compuestas para transferencia de estilo neural (Neural Style Transfer), clasificación multiclase, métricas de solapamiento geométrico (Intersection over Union / IoU) y la formulación algorítmica de detectores de objetos en tiempo real inspirados en YOLO.

A través de sus capítulos se desarrollan casos prácticos aplicados: un sintetizador de transferencia de estilo artístico, un sistema de localización de objetos con regresión de cajas delimitadoras (bounding boxes) y un proyecto integral de digital pathology enfocado en clasificar muestras microscópicas de tejido histológico para detección tumoral. Su mayor aportación es la claridad con la que conecta las fórmulas matemáticas con el código ejecutable; conviene considerar que utiliza versiones de TensorFlow previas a la estandarización final de TF 2.x, por lo que ciertos patrones de grafo requieren actualización en versiones actuales.