Math and Architectures of Deep Learning

Obra técnica de Manning orientada a desmitificar la «caja negra» del aprendizaje profundo, enlazando el rigor matemático de los artículos de investigación con la ingeniería de software aplicada. Escrito por Krishnendu Chaudhury junto a especialistas en computación visual y machine learning, el libro utiliza Python 3 y PyTorch para traducir principios teóricos a código ejecutable. Está dirigido a desarrolladores de software, científicos de datos e ingenieros de aprendizaje automático de nivel intermedio que ya programan en Python y utilizan librerías de deep learning, pero sienten vacíos en la base matemática necesaria para entender realmente el funcionamiento interno de las redes neuronales.

El contenido desglosa las herramientas matemáticas indispensables para el deep learning y las traslada a implementaciones funcionales. Aborda álgebra lineal mediante vectores, matrices y tensores en PyTorch; cálculo vectorial, gradientes y derivación automática para desentrañar la retropropagación (backpropagation); funciones de pérdida, optimizadores como SGD y variantes con momento; técnicas de regularización; distribuciones de probabilidad multivariada e inferencia bayesiana; aproximación universal de funciones; capas convolucionales y arquitecturas de visión por computadora para clasificación de imágenes y detección de objetos, culminando con el análisis de variedades topológicas (manifolds) y homeomorfismos.

A través de cuadernos de Jupyter estructurados por capítulo en su repositorio complementario, el lector experimenta con implementaciones en NumPy y PyTorch que simulan cada operación matemática, desde el paso hacia adelante hasta la optimización de pesos y capas convolucionales personalizadas. El libro destaca por enseñar a diagnosticar, depurar y ajustar modelos basándose en principios teóricos en lugar del ensayo y error ciego. Deja deliberadamente fuera el despliegue en producción, MLOps o el entrenamiento a escala industrial, y exige familiaridad previa con cálculo diferencial básico y programación en Python para aprovecharlo con fluidez.