Deep Learning Cookbook

Recetario práctico concebido para que programadores y desarrolladores de software puedan implementar soluciones basadas en redes neuronales de manera ágil sin necesidad de un trasfondo matemático avanzado. Publicado en 2018 por Douwe Osinga, el libro emplea Python 3 junto a Keras y TensorFlow (versión 1.x), utilizando cuadernos interactivos de Jupyter Notebooks. Está dirigido a profesionales de nivel intermedio con conocimientos de programación en Python que buscan prototipar aplicaciones de aprendizaje profundo orientadas a texto, visión y sistemas de recomendación sin perderse en derivaciones de cálculo vectorial.

La obra adopta un enfoque orientado a problemas cotidianos: comienza con técnicas de adquisición y preparación de datos utilizando fuentes públicas como Wikipedia, Wikidata, OpenStreetMap, Twitter y Flickr, y dedica un capítulo clave a depurar modelos neuronales cuando el entrenamiento no converge. Enseña a manipular representaciones vectoriales con Word2Vec, a reutilizar arquitecturas convolucionales preentrenadas (como VGG16) para visión por computadora mediante transfer learning, a construir secuencias temporales con capas recurrentes LSTM, y a entrenar autoencoders y redes generativas adversarias (GANs) con Keras, NumPy y Scikit-learn.

Entre las recetas destacadas, el lector construye sistemas de recomendación de películas mediante filtrado colaborativo, buscadores inversos de imágenes por similitud de contenido, modelos de predicción de emojis a partir de texto y generadores de iconos vectoriales. Su mayor atractivo radica en su enfoque pragmático y en los trucos para resolver problemas de sobreajuste y desbalanceo de datos. Como contrapartida, los ejemplos fueron concebidos en TensorFlow 1.x y la API legacy de Keras, por lo que requieren adaptaciones sintácticas a TensorFlow 2.x o PyTorch, aunque los conceptos de preprocesamiento, espacios latentes y transfer learning siguen siendo plenamente instructivos.