Deep Learning with Python
Francois Chollet
- Editorial
- Manning
- Año
- 2017
- Páginas
- ~384
- Nivel
- Básico
De qué trata
Escrita por François Chollet, creador de Keras e investigador de inteligencia artificial en Google, la primera edición de "Deep Learning with Python" (Manning, diciembre de 2017) es una obra de referencia indispensable para iniciarse en el aprendizaje profundo práctico. El libro utiliza Python 3 con la biblioteca Keras (versión 2 sobre backend de TensorFlow) y está dirigido a desarrolladores, ingenieros de software y científicos de datos sin experiencia previa en machine learning avanzado, explicando la disciplina a través de intuiciones geométricas y código reproducible, requiriendo únicamente conocimientos de programación en Python y matemáticas de nivel escolar.
La obra comienza introduciendo las operaciones tensoriales en NumPy y la optimización basada en gradientes, para luego desplegar el flujo de trabajo profesional de Keras usando tanto la API secuencial (`Sequential`) como la API funcional (`Functional API`), ideal para modelos multientrada, multisalida y con conexiones residuales. Cubre técnicas esenciales de ingeniería de características, regularización contra sobreajuste (L1/L2, dropout, data augmentation) y monitorización con callbacks y TensorBoard. En los bloques especializados, enseña visión computacional con redes convolucionales (entrenamiento desde cero, fine-tuning y extracción de características con VGG16, e interpretabilidad visual con mapas Grad-CAM), procesamiento de secuencias y lenguaje natural (embeddings preentrenados GloVe, capas LSTM, GRU y convnets 1D) y modelos generativos (transferencia de estilo artístico, autoencoders variacionales VAE y redes generativas antagónicas GAN).
A través de una pedagogía guiada basada en proyectos reales, el lector desarrolla clasificadores de sentimientos en IMDB, categorización temática de noticias en Reuters, estimación de precios inmobiliarios con Boston Housing, clasificación de imágenes en Dogs vs. Cats, generadores de texto al estilo de Nietzsche y algoritmos de transferencia de estilo pictórico. La claridad conceptual de Chollet y su metodología para validar modelos sin caer en trampas estadísticas son excelentes. Al tratarse de la edición de 2017 anterior a la consolidación de TensorFlow 2 y a la arquitectura Transformer, el entorno técnico ha evolucionado, pero los principios de diseño y la solidez conceptual de sus explicaciones mantienen la obra como un texto fundamental.
- Keras
- TensorFlow
- Deep Learning
- Visión computacional (CNN)
- Procesamiento de lenguaje natural (NLP)
- LSTM
- Transfer Learning
- Grad-CAM
- Redes generativas antagónicas (GAN)
- Autoencoders variacionales (VAE)
- Data augmentation
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Clasificación de sentimientos en reseñas de películas (IMDB)
Modelo de clasificación binaria de texto implementado en Keras que procesa y clasifica críticas cinematográficas de IMDB en polaridad positiva o negativa mediante capas densas y embeddings.
Clasificador multiclase de noticias (Reuters)
Red neuronal profunda en Keras diseñada para categorizar cables informativos del dataset Reuters en 46 temas periodísticos excluyentes.
Predicción de precios inmobiliarios (Boston Housing)
Modelo de regresión en Keras para estimar valores continuos de viviendas a partir de indicadores urbanos y socioeconómicos, empleando validación cruzada k-fold y normalización.
Clasificación de imágenes de perros y gatos (Dogs vs. Cats)
Pipeline de visión artificial que clasifica fotografías de mascotas entrenando convnets desde cero con data augmentation y aplicando ajuste fino sobre la red preentrenada VGG16.
Generador de texto carácter por carácter
Red neuronal recurrente LSTM en Keras que modela las probabilidades secuenciales de caracteres para redactar párrafos imitando la prosa del filósofo Nietzsche mediante muestreo con temperatura.
Transferencia de estilo neuronal (Neural Style Transfer)
Algoritmo generativo que combina el contenido semántico de una fotografía con el estilo estético de una pintura artística famosa utilizando las capas convolucionales de una red VGG19 preentrenada.
Síntesis de imágenes con VAE y DCGAN
Implementación en Keras de un Autoencoder Variacional (VAE) para explorar el espacio latente de imágenes y una Red Generativa Antagónica Convolucional Profunda (DCGAN) para crear imágenes sintéticas.
