Deep Learning
Bienvenida
Este libro recopila y ordena el material que he construido a lo largo de años de docencia y consultoría en aprendizaje profundo: clases de pregrado y maestría, notebooks, talleres y laboratorios, presentaciones y la experiencia de llevar estos temas a proyectos reales. Aquí está reunido y revisado para leerse de corrido; parte de este contenido también se publica como artículos en el blog técnico de BIT.
Cubre fundamentos, arquitecturas, aplicaciones y el ciclo de vida de los modelos, con teoría y ejemplos ejecutables en Python.
A quién está dirigido
Se asume familiaridad con Python y los fundamentos de machine learning, como regresión, clasificación y validación de modelos. También puede utilizarse como material de referencia en cursos de pregrado y maestría.
Qué necesitas para seguir los notebooks
Un entorno de Python 3 con PyTorch y torchvision, además de las bibliotecas habituales de ciencia de datos: numpy, pandas, scikit-learn y matplotlib. Algunos capítulos usan también Pillow, scipy o networkx. Los ejemplos se verificaron en CPU; los capítulos que pueden aprovechar una GPU la usan si CUDA está disponible e indican cuándo no lo estuvo. Cada capítulo importa lo que necesita en sus primeras celdas.
Cómo está organizado
Son 34 capítulos que avanzan en seis bloques:
- Fundamentos (capítulos 1 a 11): tensores y diferenciación automática, datasets y generación de datos, perceptrón y MLP, pérdida y backpropagation, optimización, hiperparámetros, pipelines, evaluación y regularización.
- Visión por computador (capítulos 12 a 17): redes convolucionales, clasificación de imágenes, arquitecturas CNN, transferencia y ajuste fino, robustez e interpretabilidad, detección y segmentación.
- Secuencias, atención y transformers (capítulos 18 a 24): embeddings, redes recurrentes, LSTM y GRU, modelos secuencia a secuencia, atención y transformers, Vision Transformers y multimodalidad, y audio y voz.
- Representaciones y modelos generativos (capítulos 25 a 28): aprendizaje autosupervisado y contrastivo, autoencoders y VAE, GAN, y modelos de difusión y flow matching.
- Otros dominios (capítulos 29 a 31): redes de grafos, sistemas de recomendación y aprendizaje por refuerzo.
- Escala, responsabilidad y producción (capítulos 32 a 34): GPU y entrenamiento distribuido, ética y equidad, y MLOps.
Las bases de embeddings, secuencias, atención y transformers se desarrollan aquí con ejemplos introductorios de lenguaje. El desarrollo especializado de NLP —LLM, prompting y RAG— queda para un libro independiente.
Cómo leer los notebooks
Cada capítulo es un notebook renderizado con sus salidas guardadas: lo que ves es lo que se obtuvo al ejecutarlo, sin volver a correr las celdas al construir el libro. Para reproducirlo en tu equipo, ejecuta las celdas en orden. Antes de empezar, conviene revisar las convenciones de lectura: la notación, las formas de los tensores, las métricas y las particiones que se usan en todo el libro.
Sobre el autor
Wilder Ramírez Delgado convierte datos en decisiones. Ingeniero Electrónico y Magíster en Analítica de Datos, es científico de datos, arquitecto de IA y asesor tecnológico con más de 20 años de trayectoria profesional. Su trabajo integra analítica avanzada, machine learning, Big Data e IoT para resolver desafíos de organizaciones públicas y privadas.
Como CEO y fundador de Business Innovation Technology (BIT), asesora a entidades gubernamentales y empresas, con especial experiencia en analítica y normatividad de los sectores postal y logístico. Como docente universitario de pregrado y maestría, lleva al aula la experiencia de proyectos reales y conecta los fundamentos con su aplicación práctica.
Esta es la versión pensada para leerse de corrido, con navegación entre capítulos y búsqueda integrada. Si encuentras un error o tienes una duda sobre algún capítulo, puedes dejar un comentario en el artículo correspondiente del blog técnico de BIT; respondo todos.