Deep Learning with Python

"Deep Learning with Python: A Hands-on Introduction" (Apress, 2017) es un texto conciso y directo de Nikhil Ketkar que presenta los cimientos teóricos, matemáticos y computacionales del aprendizaje profundo en unas compactas 143 páginas. El libro se sitúa en el contexto de las herramientas predominantes en 2016-2017, utilizando Python con Theano y las primeras versiones estables de Keras. Está destinado a ingenieros de software, analistas de datos e investigadores que ya dominan Python y poseen nociones básicas de cálculo multivariable y álgebra lineal, pero buscan una introducción condensada y sin relleno.

El temario aborda los fundamentos del aprendizaje automático estadístico y funciones de pérdida antes de analizar las redes neuronales feedforward y el algoritmo de retropropagación. Presenta la computación simbólica y grafos de cómputo en Theano, la construcción de modelos con Keras, y desglosa tanto redes neuronales convolucionales (CNN) como redes neuronales recurrentes (RNN y LSTM). Dedica capítulos clave a la diferenciación automática en grafos computacionales, a las técnicas de optimización mediante Descenso de Gradiente Estocástico (SGD, Momentum, AdaGrad, RMSprop y Adam) y a la aceleración de cómputo sobre hardware NVIDIA mediante CUDA y cuDNN.

En cuanto a la práctica guiada, Ketkar acompaña las explicaciones matemáticas con la construcción de clasificadores de imágenes sobre el conjunto de datos MNIST usando CNNs y ejemplos de modelado de secuencias con RNNs, además de la definición de grafos matemáticos directos en Theano. Su principal atractivo es la brevedad y el rigor conceptual con que articula la teoría con implementaciones mínimas. Sin embargo, dado que Theano fue descontinuado poco después de la publicación de esta edición y Keras evolucionó hacia su integración nativa en TensorFlow 2, los ejemplos de código deben leerse como una base conceptual e histórica de cómo funcionan los motores de diferenciación automática.