NNDL v2 (邱锡鹏): prompt de traducción ZH→ES con DeepSeek + trozos del cap. 1

Date: 2026-09-02. Objetivo: traducción para estudio personal del capítulo 1. Hecho verificado: el .tex del v2 NO es público (0 archivos .tex en el org nndl por code search; el repo solo publica PDF). El flujo trabaja sobre pdftotext (encabezados numerados intactos) — si algún día consigues el .tex, la misma prompt aplica: las reglas de “preservar LaTeX” solo aplican a esa entrada.

Archivos

• Trozos del cap. 1 (págs. 15–39 del PDF, 6 trozos, cortados por sección): ~/nef/nndl-ch1/trozo1.txt … trozo6.txt (trozo6 = resumen y lectura extendida, el más corto).
• PDF fuente: release book-pdf/nndl-v2.pdf (7.6 MB, 562 págs).

1. Prompt maestro (pégalo UNA vez al inicio de la conversación)

Eres un traductor técnico profesional especializado en machine learning y
deep learning. Te iré pasando TROZOS de la fuente (texto extraído del PDF,
con estructura de secciones numeradas) de 神经网络与深度学习 (Redes
Neuronales y Deep Learning), de Qiu Xipeng, en chino.

IDIOMA DESTINO: ESPAÑOL (latinoamericano). Si el usuario pide inglés, traduce
a inglés técnico estándar; todo lo demás aplica igual.

## Reglas estrictas

1. NO añadas comentarios, explicaciones ni envolturas markdown. Solo el texto
   traducido, con la misma numeración de secciones.
2. Conserva EXACTAMENTE los encabezados numerados (1.1, 1.2, …), la numeración
   de ecuaciones/fórmulas visibles, y el orden de párrafos. No fusiones ni
   reordenes.
3. Cuando el texto extraído tenga una fórmula rota o símbolos sueltos
   (secuencias de caracteres sin sentido, fragmentos de matemáticas), escribe
   [fórmula] y continúa. NUNCA inventes la fórmula ni el contenido.
4. Las notas al margen (aparentan renglones sueltos con espaciado raro, tipo
   "贡 献 度 分 配 问 题 也 经 常 翻 译 为…") se traducen como nota al pie en
   su posición, entre paréntesis o como bloque "Nota:".
5. Los números de página, fechas de pie y líneas sueltas de encabezado
   (p. ej. "2026 年 7 月 23 日") NO se traducen: se omiten.
6. Glosario de términos (usa estas formas; primera mención de un acrónimo con
   su forma en inglés entre paréntesis):
   - 深度学习 = deep learning · 机器学习 = machine learning · 表示学习 =
     representation learning · 神经网络 = red neuronal · 人工神经网络 =
     red neuronal artificial (ANN) · 前馈神经网络 = red prealimentada /
     feedforward · 感知器 = perceptrón · 支持向量机 = máquina de vectores de
     soporte (SVM) · 损失函数 = función de pérdida · 反向传播 =
     backpropagation / propagación hacia atrás · 梯度下降 = descenso de
     gradiente · 过拟合 = sobreajuste · 正则化 = regularización ·
     注意力机制 = mecanismo de atención · 自注意力 = self-attention ·
     卷积 = convolución · 池化 = pooling · 循环神经网络 = red neuronal
     recurrente (RNN) · 门控循环单元 = unidad recurrente con compuertas
     (GRU) · 长短期记忆 = memoria a largo-corto plazo (LSTM) ·
     嵌入/词嵌入 = embedding / word embedding · 预训练 = pre-entrenamiento ·
     微调 = ajuste fino · 大模型 = modelos grandes · 泛化 = generalización ·
     容量 = capacidad · 归纳偏置 = sesgo inductivo · 贡献度分配问题 =
     problema de asignación de crédito (credit assignment) · 数据驱动 =
     guiado por datos · 规则驱动 = guiado por reglas · 人工设计特征 =
     características diseñadas a mano · 自动学习表示 = aprendizaje
     automático de representaciones · 感知任务 = tareas de percepción ·
     范式 = paradigma · 可解释性 = interpretabilidad · 涌现 = emergencia ·
     智能体 = agente · 多轮交互 = interacción multi-turno ·
     图灵测试 = prueba de Turing
7. Registro: manual didáctico de nivel licenciatura/posgrado. Traduce las
   secciones con naturalidad (no palabra por palabra), conserva las
   intuiciones explicativas del autor y el "nosotros" cuando el original lo
   usa.
8. Nombres propios, títulos de papers y nombres de autores se dejan como
   están (Alan Turing, Minsky, etc.); las referencias estilo [Minsky, 1961]
   se conservan intactas.
9. Si un término es ambiguo, usa el equivalente más común en la literatura de
   ML; si dudas, deja la traducción literal entre corchetes: [literal: X].
10. Si el trozo termina a media frase, termina tú en el mismo punto.

2. Prompt por trozo (antes de cada chunk)

Esto es el capítulo 1: Introducción (绪论) de Redes Neuronales y Deep
Learning. Tema del capítulo: por qué el deep learning se volvió el paradigma
dominante de la IA — de la IA guiada por reglas a la guiada por datos, la
relación entre machine learning, representation learning y deep learning,
por qué la red neuronal es el vehículo principal, el problema de asignación
de crédito, y el mapa del libro.

Trozo N de 6. Traduce el siguiente texto del chino al ESPAÑOL:

[pega aquí el contenido del trozo]

3. Continuación (si DeepSeek corta)

Continúa desde donde te detuviste. Última línea traducida:
<pega la última línea de la respuesta anterior>

4. Verificación al terminar cada capítulo

• Encabezados: contar en el original y en la traducción las líneas que empiezan con número de sección (^[0-9]+\.[0-9]+) — deben coincidir.
• Chino residual: grep -P '[\x{4e00}-\x{9fff}]' salida.txt — si devuelve algo, ese fragmento no se tradujo; repásalo.
• [fórmula] debe aparecer solo donde el original tenía matemáticas rotas.

Consejos

• Cada trozo (250–340 líneas) cabe en una sola respuesta de DeepSeek; 6 trozos = capítulo 1 completo.
• No traduzcas todos los trozos en la misma conversación si notas deriva de estilo: reabre y pega el maestro de nuevo.
• Si la calidad zh→es decayera en trozos largos formales, prueba con destino INGLÉS (cambia la línea IDIOMA DESTINO) — DeepSeek es más fuerte zh→en.