El aprendizaje profundo (DL) se ha convertido en un componente fundamental de la inteligencia artificial moderna (IA), impulsando avances significativos en diversos campos al facilitar el análisis de sistemas complejos, desde el plegamiento de proteínas en biología hasta el descubrimiento molecular en química y las interacciones de partículas en física. Sin embargo, el campo del aprendizaje profundo está en constante evolución, con innovaciones recientes tanto en arquitecturas como en aplicaciones. Por lo tanto, este documento proporciona una revisión exhaustiva de los avances recientes en DL, cubriendo la evolución y las aplicaciones de modelos fundamentales como las redes neuronales convolucionales (CNN) y las redes neuronales recurrentes (RNN), así como arquitecturas recientes como los transformadores, las redes generativas antagónicas (GAN), las redes de cápsulas y las redes neuronales de grafos (GNN). Además, el documento discute técnicas de entrenamiento novedosas, incluyendo el aprendizaje auto-supervisado, el aprendizaje federado y el aprendizaje por refuerzo profundo, que mejoran aún más las capacidades de los modelos de aprendizaje profundo. Al sintetizar desarrollos recientes e identificar desafíos actuales, este documento proporciona información sobre el estado del arte y las direcciones futuras de la investigación en DL, ofreciendo una valiosa guía tanto para investigadores como para expertos de la industria.