La Inteligencia Artificial ha experimentado un gran auge en los últimos años, tanto en el mundo académico como en el empresarial, con increíbles resultados en el reconocimiento de voz, los modelos de conversación, la visión artificial y otras aplicaciones. Detrás de todos estos avances se encuentra la tecnología basada en los modelos matemáticos de redes neuronales profundas, conocida como aprendizaje profundo o Deep Learning. Conocer esta tecnología abre las puertas a un inmenso mercado digital, al campo de la investigación y a innumerables oportunidades de negocio.

En estas páginas el lector encontrará una introducción a los fundamentos de ese paradigma de aprendizaje computacional. Los aspectos teóricos se complementan con ejemplos de implementación en los dos frameworks de programación más populares en la actualidad dentro de este campo: Keras y PyTorch. El libro describe las arquitecturas vertebradoras del Deep Learning, como el perceptrón multicapa, las redes convolucionales y las redes recurrentes, entre otras, así como su aplicación en los campos de la visión por computador y el procesamiento del lenguaje natural. Todos estos contenidos se estudiarán mediante ejemplos y ejercicios, asumiendo que el lector no ha trabajado con estos frameworks previamente', aunque sí con el lenguaje de programación Python.

La Inteligencia Artificial ha experimentado un gran auge en los últimos años, tanto en el mundo académico como en el empresarial, con increíbles resultados en el reconocimiento de voz, los modelos de conversación, la visión artificial y otras aplicaciones. Detrás de todos estos avances se encuentra la tecnología basada en los modelos matemáticos de redes neuronales profundas, conocida como aprendizaje profundo o Deep Learning. Conocer esta tecnología abre las puertas a un inmenso mercado digital, al campo de la investigación y a innumerables oportunidades de negocio.

En estas páginas el lector encontrará una introducción a los fundamentos de ese paradigma de aprendizaje computacional. Los aspectos teóricos se complementan con ejemplos de implementación en los dos frameworks de programación más populares en la actualidad dentro de este campo: Keras y PyTorch. El libro describe las arquitecturas vertebradoras del Deep Learning, como el perceptrón multicapa, las redes convolucionales y las redes recurrentes, entre otras, así como su aplicación en los campos de la visión por computador y el procesamiento del lenguaje natural. Todos estos contenidos se estudiarán mediante ejemplos y ejercicios, asumiendo que el lector no ha trabajado con estos frameworks previamente', aunque sí con el lenguaje de programación Python.

PARTE 1. Introducción 1. Introducción al Deep Learning Introducción Contexto del Deep Learning Aprendizaje de representaciones Aplicaciones 2. Aspectos generales del Deep Learning Etapas de un proyecto Formulaciones Importancia de los datos Entrenar una red neuronal 3. Keras y PyTorch Introducción Instalación Uso básico de las librerías Reproducibilidad de resultados PARTE 2. Fundamentos 4. Perceptrón multicapa Introducción Definición de perceptrón Perceptrón multicapa Entrenamiento y evaluación Caso de estudio 5. Redes neuronales convolucionales Introducción Operación de convolución Capa de convolución Submuestreo Composición de una CNN Caso de estudio 6. Redes neuronales recurrentes Introducción a los datos secuenciales o secuencias Neurona recurrente LSTM GRU Recurrencia bidireccional Caso de estudio PARTE 3. Conceptos avanzados y aplicaciones 7. Convergencia y ajuste de modelos Introducción Técnicas de regularización Aumento de datos Mejora de la convergencia Caso de estudio 8. Visión por computador Introducción Aplicaciones Aprendizaje por transferencia Caso de estudio 9. Procesamiento de Lenguaje Natural Introducción Aplicaciones Procesamiento del texto: segmentación y representación Mecanismo de atención La arquitectura Transformer Caso de estudio 10. Siguientes pasos Introducción Otros paradigmas de aprendizaje Otras arquitecturas Apéndices: Soluciones a los casos de estudio