Deep Learning for Coders with fastai and PyTorch

Obra pedagógica de referencia que enseña aprendizaje profundo de última generación mediante un método de aprendizaje inductivo ('top-down'), partiendo de modelos funcionales completos antes de descender a los fundamentos matemáticos. Escrito por Jeremy Howard y Sylvain Gugger (creadores de fastai) y publicado en 2020, el libro utiliza Python, fastai (versión 2) y PyTorch en entornos interactivos de Jupyter Notebooks. Está diseñado para programadores de nivel intermedio con al menos un año de experiencia en Python y conocimientos matemáticos de nivel escolar, demostrando que es posible alcanzar resultados de vanguardia sin necesidad de un doctorado.

El temario ofrece un recorrido integral por las aplicaciones capitales del deep learning: visión por computadora (clasificación multiclase, segmentación semántica con U-Net y detección de objetos), procesamiento de lenguaje natural (modelos de lenguaje, clasificación de texto con ULMFiT y transformers), modelos para datos tabulares con embeddings categóricos y sistemas de recomendación mediante filtrado colaborativo. Explica en profundidad la API por capas de fastai, para luego enseñar a escribir bucles de entrenamiento desde cero en PyTorch puro, descenso de gradiente estocástico (SGD), optimizadores como Adam, callbacks personalizados, interpretabilidad mediante Grad-CAM y consideraciones de ética en datos e IA.

A lo largo de sus capítulos prácticos, el lector construye clasificadores de razas animales listos para la web, sistemas de segmentación para vehículos autónomos, motores de recomendación sobre el catálogo de MovieLens y analizadores de sentimiento sobre reseñas de IMDb, aprendiendo a desplegar modelos con Voila. Su gran valor pedagógico reside en enseñar técnicas punteras del estado del arte (como la política 1cycle y aumentos de datos por lotes en GPU) de forma accesible y desmitificada. No profundiza en entrenamiento masivo distribuido en clústeres; es la puerta de entrada ideal antes de adentrarse en la investigación matemática formal.