Introduction to Deep Learning Using R

Guía técnica escrita por Taweh Beysolow II y editada por Apress en 2017, diseñada para implementar modelos de aprendizaje profundo utilizando el lenguaje estadístico R en un panorama bibliográfico mayoritariamente centrado en Python. Está pensada para estadísticos, analistas de datos y desarrolladores de R principiantes en el campo neuronal que deseen ampliar sus competencias desde el modelado predictivo clásico hacia las redes profundas, requiriendo nociones elementales de sintaxis en R, cálculo diferencial y álgebra lineal.

El volumen inicia con una revisión matemática formal y conceptos de optimización numérica (gradiente descendente estocástico y algoritmos afines). Continúa con el análisis e implementación de perceptrones simples y multicapa (MLP), redes neuronales convolucionales (CNN) para datos visuales, redes neuronales recurrentes (RNN) para secuencias temporales, así como autoencoders, máquinas de Boltzmann restringidas (RBM) y redes de creencias profundas (DBN). Asimismo, incluye capítulos sobre diseño experimental, heurística de hiperparámetros y selección de variables, valiéndose de paquetes del ecosistema de R como neuralnet, darch, deepnet, mxnet, caret y e1071.

En sus capítulos finales se abordan problemas prácticos de clasificación tabular, análisis de series y reconocimiento de imágenes, contrastando el desempeño de modelos estadísticos tradicionales con arquitecturas neuronales. Su principal valor es el rigor con el que explica los fundamentos matemáticos de cada arquitectura antes de codificar en R, facilitando la asimilación conceptual. No obstante, al haber sido publicado en 2017 no incluye integraciones modernas como Keras o Torch para R, por lo que algunas librerías han quedado desactualizadas; sigue siendo útil principalmente como manual formativo para usuarios arraigados en el entorno de R.