Deep Learning with Python, 3rd Edition

Esta tercera edición, completamente reescrita y actualizada para 2025 por François Chollet (creador de Keras) junto a Matthew Watson, es la referencia fundamental para aprender aprendizaje profundo moderno utilizando Python y Keras 3. La gran novedad de esta entrega es que Keras 3 opera de manera agnóstica respecto al backend, lo que permite ejecutar el mismo código sobre TensorFlow, PyTorch o JAX. Está orientada a programadores, científicos de datos e ingenieros de software con experiencia en Python y nociones básicas de matemáticas que buscan una comprensión intuitiva y a la vez rigurosa del estado del arte en inteligencia artificial, abarcando desde las redes neuronales clásicas hasta los modelos fundacionales contemporáneos.

El libro comienza explicando la base matemática de los tensores, el cálculo de gradientes y el ciclo de vida universal del machine learning (entrenamiento, validación y combate del sobreajuste con regularización y dropout). A continuación profundiza en la API de Keras 3 (modelos secuenciales, funcionales y subclassing con capas personalizadas) y aborda visión por computadora mediante redes convolucionales (CNNs), aumento de datos, segmentación semántica y detección de objetos. También cubre el análisis de series temporales con redes recurrentes (LSTM y GRU) y procesamiento del lenguaje natural moderno con tokenizadores y embeddings. Su sección más destacada está dedicada a la IA generativa: enseña la arquitectura Transformer en detalle, la creación de modelos de lenguaje tipo GPT desde cero, generación de texto autorregresiva y síntesis de imágenes mediante modelos de difusión, además de pautas de escalado con KerasCV, KerasNLP y entrenamiento distribuido.

A lo largo del texto se desarrollan proyectos completos como clasificadores de imágenes, modelos de segmentación semántica de objetos, predicción de series climáticas, un mini-LLM autorregresivo funcional y un modelo de difusión para sintetizar imágenes. Chollet y Watson destacan por su capacidad para transmitir conceptos matemáticos complejos sin formalismos innecesarios y mediante código claro y reproducible. Deja fuera detalles de ingeniería a nivel de hardware o despliegue en microcontroladores (Edge AI), pero aporta el mejor marco mental para dominar el deep learning contemporáneo. Conviene tener soltura previa con Python y bibliotecas como NumPy antes de comenzar.