Practical Deep Learning, 2nd Edition

Segunda edición ampliamente revisada y expandida de la guía de No Starch Press para iniciarse en el aprendizaje profundo mediante un enfoque empírico y directo. Escrito por el investigador Ronald T. Kneusel, el texto prioriza la comprensión conceptual y el código en Python 3 apoyándose en Keras y TensorFlow. Está pensado para programadores, analistas y estudiantes de nivel intermedio con nociones básicas de matemáticas a nivel de secundaria y programación en Python, que desean comprender el funcionamiento y entrenamiento de redes neuronales sin atascarse en formulaciones académicas densas.

El libro cubre los principios de las neuronas artificiales, el algoritmo de descenso de gradiente y las métricas esenciales de evaluación (matrices de confusión, curvas ROC, precisión y exhaustividad), contrastándolos con modelos tradicionales de machine learning mediante scikit-learn como Random Forests y SVMs. Profundiza en redes neuronales convolucionales (CNNs), aprendizaje por transferencia (transfer learning) con modelos preentrenados, localización de objetos en imágenes, aprendizaje autosupervisado y redes generativas antagónicas (GANs). Las novedades de esta edición son la visión por computadora con arquitecturas CNN avanzadas, el ajuste fino y el aprendizaje por transferencia, la localización de objetos, el aprendizaje autosupervisado, las GANs y un capítulo final sobre modelos de lenguaje extenso (LLMs) que cubre el aprendizaje en contexto, la búsqueda semántica y la Generación Aumentada por Recuperación (RAG).

El texto ofrece una gran claridad didáctica e incluye, al cerrar la parte dedicada a las redes convolucionales, un caso de estudio integrador enfocado en la clasificación de audios ambientales en formato WAV (dataset ESC-10), contrastando señales temporales 1D con espectrogramas 2D procesados mediante redes convolucionales. Aporta criterios prácticos para diagnosticar sobreajuste y seleccionar la arquitectura adecuada para cada tipo de dato. Deja de lado la computación distribuida y el despliegue en producción, por lo que resulta ideal para consolidar bases firmes antes de abordar arquitecturas a gran escala.