Mastering NLP From Foundations to Agents, 2nd Edition

Tratado integral y contemporáneo que conecta los fundamentos matemáticos del procesamiento del lenguaje natural con el desarrollo de modelos de lenguaje grande (LLMs) y sistemas multiagente autónomos. Dirigido a científicos de datos, ingenieros de inteligencia artificial y desarrolladores de software con experiencia intermedia o avanzada en Python y nociones de machine learning, la obra adopta las tecnologías vigentes en 2025 y 2026 para construir sistemas cognitivos listos para producción empresarial.

La obra transita desde el álgebra lineal, la teoría de probabilidad y los clasificadores clásicos con Scikit-Learn y PyTorch, hasta el diseño y orquestación de LLMs contemporáneos. Enseña técnicas de Parameter-Efficient Fine-Tuning (PEFT mediante LoRA y QLoRA), alineación por preferencias humanas (RLHF y DPO), construcción de pipelines de Recuperación Aumentada por Generación (RAG) con bases de datos vectoriales y capas de enrutamiento inteligente, integración de herramientas externas mediante el Model Context Protocol (MCP) y orquestación de agentes autónomos con frameworks como LangGraph y CrewAI, respaldados por prácticas de guardarraíles, evaluación y observabilidad.

A lo largo de sus capítulos se implementan clasificadores neuronales, flujos de fine-tuning y alineación con QLoRA/DPO, canales RAG de alto rendimiento estructurados bajo MCP y redes colaborativas de múltiples agentes capaces de resolver flujos de trabajo multi-paso. Su mayor valor reside en proporcionar una visión unificada y rigurosa que no ignora la matemática subyacente al tiempo que adopta las herramientas más actuales del ecosistema agéntico; por su gran densidad y alcance de casi 700 páginas, demanda constancia y familiaridad con el diseño de software distribuido.