Applied Deep Learning

Guía técnica orientada a desmitificar los fundamentos matemáticos y la mecánica de funcionamiento de las redes neuronales profundas mediante un enfoque basado en casos prácticos. Publicado en 2018, utiliza Python 3 y TensorFlow en su versión 1.x (apoyándose en grafos computacionales estáticos y sesiones). Está dirigido a programadores, analistas de datos y estudiantes de nivel intermedio que ya manejan la sintaxis de Python, álgebra lineal y cálculo básico, pero desean superar los tutoriales triviales con datasets de juguete para comprender a bajo nivel cómo se estructuran y entrenan los modelos.

El libro enseña a fondo temas que habitualmente se descuidan en manuales introductorios: grafos computacionales en TensorFlow, neuronas individuales, funciones de activación y formulación tensorial de la regresión lineal y logística. Desarrolla redes neuronales densas multicapa (MLP) y clasificación multiclase, profundizando en el análisis de errores (descomposición de sesgo y varianza, y desajustes en la distribución entre conjuntos de entrenamiento y prueba). Detalla técnicas de regularización como Dropout, optimizadores avanzados (SGD, Momentum, RMSprop, Adam), decaimiento dinámico de la tasa de aprendizaje y búsqueda sistemática de hiperparámetros mediante Grid Search, Random Search y optimización bayesiana, junto con introducciones a redes convolucionales (CNN) y recurrentes (RNN).

La parte práctica se desarrolla a través de Jupyter Notebooks con código completo en TensorFlow y NumPy, abordando casos donde se preparan datos reales con errores de etiquetado y formatos inconsistentes para luego entrenar y afinar modelos desde cero. Su gran aporte es el rigor pedagógico para diagnosticar por qué falla o se sobreajusta una red y cómo corregirla matemáticamente. Como contrapartida, al estar fundamentado en la API clásica de TensorFlow 1.x previa a Keras y a la ejecución eager por defecto, el lector moderno deberá adaptar la sintaxis de los grafos al estándar actual de TensorFlow 2.x, si bien los conceptos de optimización y métricas conservan total vigencia.