Deep Learning with Structured Data

Escrito por el gestor y científico de datos Mark Ryan, este libro ofrece una guía especializada y eminentemente práctica sobre cómo aplicar técnicas de deep learning a datos tabulares y relacionales, el tipo de datos más común en las empresas. Utiliza Python 3, TensorFlow 2 y Keras. Está enfocado en científicos de datos, analistas de negocio e ingenieros de software con conocimientos básicos de Python y análisis de datos que desean aprender a sustituir o complementar algoritmos tradicionales como Random Forest o XGBoost mediante redes neuronales, reduciendo la necesidad de una ingeniería manual exhaustiva de características.

El texto enseña el ciclo de vida completo de un proyecto de deep learning para datos estructurados: exploración, limpieza y preparación de dataframes tabulares con Pandas; ingeniería de características; y el diseño de capas de incrustación de entidades (entity embeddings) en Keras para convertir variables categóricas de alta cardinalidad en representaciones vectoriales densas. Detalla cómo combinar variables continuas normalizadas y variables categóricas incrustadas en arquitecturas multicapa (MLP), cómo estructurar el entrenamiento, evitar el sobreajuste y evaluar el rendimiento mediante métricas y curvas de aprendizaje. En su tramo final, aborda la puesta en producción del modelo empaquetándolo en una API web con el microframework Flask e integrándolo con una interfaz HTML y JavaScript para permitir inferencias interactivas.

La metodología del libro se fundamenta en un proyecto real transversal: predecir retrasos en las líneas de tranvía del sistema de transporte público de Toronto (TTC) a partir de datos abiertos tabulares. El lector sigue paso a paso la ingesta de datos, la limpieza, la construcción del modelo con Keras y su despliegue como un servicio web funcional accesible desde el navegador. Su principal fortaleza radica en llenar el vacío de la literatura especializada, que casi siempre ignora las tablas de bases de datos para centrarse en imágenes o texto. Deja fuera arquitecturas tabulares más complejas como TabNet y la comparación competitiva exhaustiva con modelos de gradient boosting, pero proporciona un flujo de trabajo claro, accesible y completo para llevar modelos de datos de negocio hasta la producción.