Evolutionary Deep Learning

Guía especializada de Micheal Lanham publicada por Manning en 2023 que explora la convergencia entre la computación evolutiva y las redes neuronales profundas. Su propósito es enseñar a utilizar algoritmos genéticos y estrategias bioinspiradas para optimizar arquitecturas, hiperparámetros y pesos neuronales, superando las limitaciones habituales del descenso de gradiente puro. Está dirigida a desarrolladores, investigadores y profesionales de machine learning de nivel intermedio que ya dominan los principios de las redes neuronales (convolucionales, autoencoders, backpropagation) y desean automatizar el diseño de modelos complejos.

El libro desglosa los componentes de los algoritmos genéticos (población, selección, cruce, mutación y funciones de aptitud o fitness) y los pone en práctica con la biblioteca especializada DEAP (Distributed Evolutionary Algorithms in Python). A partir de allí, aborda la optimización automatizada de hiperparámetros (AutoML evolutivo), optimización por enjambre de partículas (PSO), neuroevolución de pesos sin gradientes y búsqueda de arquitecturas complejas mediante NEAT (NeuroEvolution of Augmenting Topologies). También trata la evolución de autoencoders para reducción dimensional y la optimización de redes generativas adversarias (DCGANs). En el código se articulan librerías como DEAP, neat-python, PyTorch, TensorFlow/Keras y Gym.

El trabajo práctico se estructura mediante cuadernos de Jupyter orientados a casos concretos: un buscador evolutivo de hiperparámetros para modelos convolucionales de visión artificial, agentes con conexiones neuronales emergentes usando NEAT para resolver retos en simuladores, y un modelo generativo adversarial (Evo-DCGAN) estabilizado mediante estrategias evolutivas. Su valor distintivo radica en sintetizar un área vanguardista y habitualmente restringida a papers científicos, mostrando cómo evitar mínimos locales sin recurrir a costosas búsquedas por rejilla. Deja fuera la orquestación de computación evolutiva distribuida a escala empresarial masiva en clústeres. Conviene dominar el cálculo tensorial y el ciclo de vida de entrenamiento de redes antes de su lectura.