Deep Learning with Azure

Guía práctica orientada a crear, entrenar y operacionalizar modelos de aprendizaje profundo en la nube aprovechando la plataforma de inteligencia artificial de Microsoft Azure. Publicada en 2018 y redactada por especialistas de datos de Microsoft, cubre Python en conjunto con los frameworks clave del momento: TensorFlow, Keras, PyTorch y Microsoft Cognitive Toolkit (CNTK). Está dirigida a desarrolladores, ingenieros de machine learning y científicos de datos de nivel intermedio que ya comprenden los principios teóricos del deep learning y necesitan aprender a desplegar infraestructura escalable y servir modelos en producción.

El temario analiza las principales arquitecturas neuronales y su implementación en la nube: redes neuronales totalmente conectadas, redes convolucionales (CNN) para procesamiento y clasificación de imágenes, redes recurrentes (RNN, LSTM, GRU) para secuencias de texto y series temporales, y redes generativas antagónicas (GAN). En el ámbito de Azure, enseña a aprovisionar entornos de experimentación con Data Science Virtual Machines (DSVM), escalar trabajos de entrenamiento distribuido sobre clústeres de GPUs mediante Azure Batch AI, y empaquetar modelos entrenados en contenedores Docker para exponerlos como servicios web REST mediante Azure Machine Learning y clústeres de Kubernetes.

A través de los capítulos se construyen modelos representativos de visión y texto que se entrenan sobre clústeres elásticos y se despliegan como APIs de inferencia en tiempo real. Su mayor fortaleza es salvar la distancia entre el entrenamiento experimental en local y la ingeniería de despliegue en entornos corporativos de nube. Debe tenerse en cuenta que servicios como CNTK o Azure Batch AI fueron posteriormente reemplazados e integrados dentro de las versiones modernas de Azure Machine Learning (v2), aunque los conceptos clave sobre contenedorización con Docker, despliegue como microservicios y entrenamiento paralelo en GPUs continúan siendo fundamentales.