Deep Learning con Python, Tercera Edición - François Chollet y Matthew Watson

El libro comienza explicando qué hace que el aprendizaje profundo sea un enfoque transformador en la inteligencia artificial. Destaca cómo el aprendizaje profundo automatiza la ingeniería de características, escala de manera eficiente con el hardware y permite la creación de modelos versátiles y reutilizables que pueden adaptarse a diversas tareas. Los lectores aprenderán sobre el impacto de los modelos base, que se entrenan en conjuntos de datos extensos utilizando auto-supervisión y pueden ser ajustados para una amplia gama de tareas posteriores, reduciendo así la necesidad de modelos específicos para cada tarea.

Una parte significativa del libro está dedicada al flujo de trabajo universal para resolver problemas de aprendizaje automático. Este flujo de trabajo implica definir la tarea, desarrollar un modelo y desplegarlo en producción mientras se monitorea y mejora continuamente su rendimiento. Los autores proporcionan ideas sobre cómo enmarcar problemas del mundo real como tareas de aprendizaje automático al comprender el contexto empresarial, identificar los datos disponibles y mapear el problema a tareas de aprendizaje automático adecuadas como clasificación, regresión o ranking.

El libro también cubre las mejores prácticas para diseñar arquitecturas de redes neuronales convolucionales, incluyendo el uso de conexiones residuales, normalización por lotes y convoluciones separables por profundidad. Además, discute cómo los Transformadores de Visión difieren de las redes convolucionales tradicionales en visión por computadora, enfatizando su capacidad para procesar imágenes como secuencias de parches y capturar dependencias a largo alcance.

Modelos modernos de detección de objetos como YOLO y RetinaNet son explorados, explicando cómo predicen cuadros delimitadores y probabilidades de clase en un solo paso para una detección de objetos rápida y precisa. Los autores también profundizan en técnicas de aprendizaje profundo para la predicción de series temporales y cómo la arquitectura del Transformador mejora el modelado avanzado del lenguaje a través de mecanismos de atención. Finalmente, se discuten estrategias para generar texto coherente con modelos de lenguaje y métodos para escalar el entrenamiento de aprendizaje profundo para modelos y conjuntos de datos grandes, lo que convierte a este libro en un recurso vital para cualquiera interesado en el campo del aprendizaje profundo.