Machine Learning with TensorFlow

Manual introductorio y transversal escrito por Nishant Shukla y publicado por Manning en 2018, enfocado en enseñar tanto machine learning clásico como arquitecturas de deep learning utilizando la primera versión estable de TensorFlow. La obra parte de los fundamentos del cálculo numérico tensorial para luego estructurar modelos predictivos desde cero. Está pensada para desarrolladores de software, estudiantes e ingenieros de nivel intermedio con manejo básico de Python, álgebra lineal y estadística que buscan comprender cómo formular problemas de aprendizaje en forma de grafos de cálculo.

El temario inicia con los conceptos esenciales de TensorFlow 1.x: construcción de grafos computacionales dirigidos, sesiones (`tf.Session`), variables, marcadores de posición (`tf.placeholder`) y visualización de entrenamientos mediante TensorBoard. Enseña a implementar algoritmos clásicos de machine learning directamente sobre el grafo: regresión lineal y polinomial, clasificación binaria y multiclase (regresión logística y softmax), clustering no supervisado con K-Means y modelos probabilísticos con Modelos Ocultos de Markov (HMM). En la sección de redes neuronales, aborda autoencoders para compresión y reducción de dimensionalidad, una introducción al aprendizaje por refuerzo con Q-learning, Redes Convolucionales (CNNs) para visión artificial, Redes Recurrentes (RNNs) y modelos Secuencia a Secuencia (Seq2Seq). El libro emplea TensorFlow 1.x, NumPy, Matplotlib y Scikit-Learn.

A través de notebooks de Jupyter, se implementan proyectos variados: un agrupador de clips de audio basado en frecuencias mediante K-Means, compresión y reconstrucción de dígitos manuscritos del conjunto MNIST con autoencoders, un clasificador de imágenes con CNNs y un chatbot conversacional sustentado en una arquitectura recurrente seq2seq. Su principal aporte es didáctico, ya que muestra el funcionamiento interno de las operaciones tensoriales y los gradientes sin esconder la lógica en abstracciones de alto nivel. Su limitación más evidente hoy es cronológica, al basarse en las API estáticas de TensorFlow 1.x previas al soporte por defecto de Eager Execution y Keras en TensorFlow 2.x. Conviene tener presentes estas diferencias si se pretende modernizar el código.