Programming Neural Networks with Python

Guía práctica y rigurosa publicada por Rheinwerk Computing en la que Joachim Steinwendner y Roland Schwaiger explican el funcionamiento interno de las redes neuronales y el aprendizaje profundo sin tratarlos como cajas negras. La obra trabaja con el ecosistema moderno de Python 3 y TensorFlow 2 / Keras (edición de 2025). Está diseñada para desarrolladores, estudiantes y profesionales que se inician en la ciencia de datos o el aprendizaje automático; incluye repasos dedicados de matemáticas fundamentales (álgebra lineal y cálculo diferencial básico) y de programación en Python, lo que permite seguirla sin requerir una titulación previa en ciencias exactas.

El temario avanza metódicamente desde las bases hasta arquitecturas avanzadas. Enseña conceptos clave como neuronas artificiales, funciones de activación (sigmoide, ReLU, softmax), funciones de pérdida y el funcionamiento del perceptrón simple y multicapa. Detalla los mecanismos de optimización, el cálculo de gradientes y el algoritmo de retropropagación (backpropagation), para luego dar el salto al deep learning con TensorFlow 2 y Keras. Cubre redes neuronales convolucionales (CNN) para visión artificial, redes recurrentes, introducción a la arquitectura transformer, técnicas de transfer learning, aprendizaje supervisado, no supervisado y por refuerzo, además de enmarcar el ciclo de vida de los proyectos con la metodología CRISP-DM. Hace uso continuo de librerías como NumPy, pandas, Matplotlib, scikit-learn, TensorFlow y Keras.

En la parte práctica se implementa paso a paso un clasificador inicial (el caso práctico de identificación de abejas reinas) y se programa una red neuronal multicapa completa desde cero en NumPy sin marcos de alto nivel, derivando matemáticamente la propagación hacia adelante y hacia atrás. Posteriormente, se construyen y entrenan redes neuronales convolucionales y modelos de aprendizaje profundo con TensorFlow 2 y Keras. Su gran valor formativo radica en enseñar a construir las redes a mano antes de delegar en librerías avanzadas, consolidando una comprensión matemática sólida. Deja fuera el despliegue en producción a escala industrial (MLOps) o el afinamiento profundo de grandes modelos de lenguaje (LLMs), siendo ideal como manual de cabecera para dominar los cimientos de la inteligencia artificial.