Pro Deep Learning with TensorFlow

Tratado técnico y teórico que expone con rigor matemático los cimientos del aprendizaje profundo y su implementación práctica con Python y TensorFlow (basado en la rama 1.x con grafos computacionales estáticos). Está pensado para científicos de datos, ingenieros de software e investigadores de nivel intermedio a avanzado que dominan la programación en Python y cuentan con una base matemática universitaria en cálculo multivariable, álgebra lineal y probabilidad, y buscan desmitificar la caja negra de las librerías de inteligencia artificial.

El texto inicia con un denso repaso de álgebra matricial, descomposiciones en valores propios, cálculo diferencial y métodos de optimización numérica (descenso de gradiente, Newton-Raphson, Adam, RMSprop), para luego introducir las primitivas de TensorFlow: grafos de cómputo, sesiones, tensores, tf.Variable y tf.placeholder. Desarrolla perceptrones multicapa (MLP) con regularización (dropout, batch normalization), redes neuronales convolucionales (CNNs como LeNet, AlexNet y VGG con transfer learning), redes neuronales recurrentes (RNN, LSTM, GRU) para procesamiento de lenguaje natural y modelos generativos no supervisados como Restricted Boltzmann Machines (RBM), Deep Belief Networks (DBN), autoencoders (variacionales y de reducción de ruido) y redes generativas antagónicas (GAN).

El aprendizaje se articula a través de cuadernos de Jupyter y scripts de Python donde se derivan paso a paso las funciones de pérdida y los gradientes antes de programar la solución en tareas de referencia: clasificación de dígitos con MNIST, clasificación de imágenes en CIFAR-10, análisis de sentimientos en IMDB con LSTMs y síntesis de patrones mediante RBMs y GANs. Su principal fortaleza es el impecable rigor pedagógico y analítico con el que demuestra cómo aprende cada arquitectura. Como contrapartida, no enseña a desplegar modelos en servicios productivos y el código utiliza la sintaxis clásica de TensorFlow 1.x (con grafos estáticos y sesiones declarativas), lo que demanda adaptarlo conceptualmente a la ejecución imperativa (eager execution) y la API de tf.keras de TensorFlow 2.x.