Introduction to Generative AI with Julia and Python
Pierluigi Riti
- Editorial
- Apress
- Año
- 2026
- Páginas
- ~243
- Nivel
- Básico
De qué trata
Escrito por Pierluigi Riti y publicado por Apress a inicios de 2026, este texto ofrece una introducción progresiva y comparativa a la inteligencia artificial generativa utilizando paralelamente dos lenguajes: Python y Julia. La obra está pensada para desarrolladores, ingenieros de software y profesionales técnicos con nivel básico o intermedio en programación que desean comprender cómo funcionan los modelos generativos profundos desde sus cimientos matemáticos y algorítmicos, sin requerir experiencia previa en IA generativa ni familiaridad anterior con Julia.
La guía utiliza entornos interactivos en la nube como Google Colab para desarrollar y ejecutar los modelos sin exigir configuraciones locales complejas. Enseña los fundamentos matemáticos del espacio latente, modelos probabilísticos y redes neuronales artificiales, avanzando hacia arquitecturas generativas fundamentales: redes generativas adversariales (GANs clásicas o vanilla con generador y discriminador), autoencoders dispersos (sparse) y de eliminación de ruido (denoising autoencoders), y autoencoders variacionales (VAEs), incluyendo variantes convolucionales y recurrentes. Asimismo, enseña a evaluar la calidad de los datos sintéticos generados mediante métricas estandarizadas como Inception Score (IS) y distancia de Fréchet (FID), contrastando la sintaxis y el rendimiento de cálculo numérico de Julia frente a Python.
El recorrido práctico guía la construcción paralela en Python y Julia de un generador de imágenes con GANs, autoencoders para compresión y limpieza de datos en conjuntos de imágenes, y un VAE convolucional que sintetiza nuevas muestras a partir del muestreo gaussiano del espacio latente. Su gran valor está en su perspectiva políglota: demuestra cómo la velocidad nativa y la elegancia matemática de Julia complementan o aventajan a Python en ciertas tareas analíticas. Como limitación, al tratarse de un texto introductorio, deja fuera transformadores masivos y modelos de difusión modernos (como Stable Diffusion). Es un punto de partida sólido para dominar la base matemática y estructural de la síntesis de datos.
- Python
- Julia
- Inteligencia artificial generativa
- Redes generativas adversariales (GAN)
- Autoencoders
- Autoencoders variacionales (VAE)
- Espacio latente
- Google Colab
- Evaluación de modelos (FID / IS)
- Redes neuronales
¿Cómo enseña?
Teoría + práctica
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Red generativa adversarial (Vanilla GAN) en Python y Julia
Implementación comparativa de una arquitectura GAN con redes generadora y discriminadora entrenadas para generar imágenes sintéticas y evaluadas mediante métricas Inception Score y FID.
Autoencoder de reducción de ruido (Denoising Autoencoder)
Modelo neuronal diseñado para codificar imágenes degradadas con ruido en un espacio latente comprimido y reconstruir versiones limpias y nítidas usando Julia y Python.
Autoencoder variacional convolucional (Conv-VAE)
Arquitectura generativa probabilística que modela un espacio latente continuo para sintetizar nuevas variaciones de imágenes a partir del muestreo gaussiano.
