MATLAB Deep Learning

Obra didáctica de Phil Kim publicada por Apress en 2017, dedicada a desmitificar los fundamentos del aprendizaje profundo mediante MATLAB. A diferencia de otros textos centrados únicamente en utilizar las funciones prediseñadas de las toolboxes comerciales, este libro se enfoca en enseñar a programar redes neuronales desde cero utilizando operaciones matriciales y scripts propios. Resulta idóneo para ingenieros, investigadores y estudiantes de nivel intermedio que conocen la sintaxis de MATLAB y desean entender la algoritmia interna de los modelos apoyándose en álgebra lineal y cálculo elemental.

El temario avanza a lo largo de seis capítulos comenzando por los principios de la inteligencia artificial y la formulación del perceptrón. Luego detalla minuciosamente la propagación hacia adelante, el algoritmo de retropropagación (*backpropagation*), la optimización por descenso de gradiente y el cálculo analítico de derivadas para la actualización de pesos y sesgos. Aborda problemas de clasificación y regresión, funciones de activación (sigmoide, tangente hiperbólica y ReLU), problemas de desvanecimiento del gradiente y técnicas de regularización como dropout, culminando en la construcción de redes neuronales convolucionales (CNN) con sus etapas de convolución 2D, capas de agrupamiento (*pooling*) y capas densas completamente conectadas mediante scripts y funciones `.m`.

El núcleo práctico del libro se centra en la implementación manual de un clasificador para el conjunto de datos de dígitos manuscritos MNIST, tanto con un perceptrón multicapa como mediante una red convolucional, sin recurrir a funciones automáticas de caja negra. Su gran fortaleza pedagógica es la transparencia: al obligar a codificar el álgebra de matrices y las derivadas a mano, el lector comprende con exactitud cómo aprende una red. Como contraparte, al tener una extensión breve (alrededor de 150 páginas), no incluye redes recurrentes (RNN), modelos generativos ni aceleración avanzada en clústeres de GPU, siendo una excelente referencia formativa para afianzar los cimientos teóricos y computacionales del área.