El aprendizaje automático se ha vuelto muy popular en los últimos años y meses. Los analistas de la industria anticipan que el aprendizaje automático y, en general, la inteligencia artificial, tendrán un impacto tan grande para la humanidad como Internet o la CPU.

Si quieres aprender Machine Learning, estás en el lugar correcto. Este artículo es una guía sobre los mejores libros de aprendizaje automático para graduados.

¿Qué es el aprendizaje automático?

El aprendizaje automático se refiere al desarrollo y uso de algoritmos que permiten a las máquinas aprender cómo realizar tareas en lugar de programarlas explícitamente para realizar dichas tareas.

Machine Learning es un campo contenido dentro de la Inteligencia Artificial. La inteligencia artificial se ocupa más ampliamente del desarrollo de un comportamiento inteligente en las computadoras. Machine Learning se enfoca en solo una parte de la IA, el aprendizaje.

¿Cómo se utiliza el aprendizaje automático?

Las computadoras siempre han sido superiores a los humanos en una escala. Una computadora puede hacer con precisión grandes cantidades de trabajo en poco tiempo. Sin embargo, las computadoras estaban limitadas a realizar solo las tareas que los humanos entendían lo suficientemente bien como para escribir el código para instruir a la computadora. En otras palabras, éramos el cuello de botella en lo que podían hacer las computadoras.

Con Machine Learning, las computadoras ya no se limitan a lo que los humanos pueden expresar. Esto les permite realizar tareas que antes nos resultaba imposible o tedioso decirles cómo hacer, como por ejemplo:

  • Conducir coches (piloto automático Tesla, Waymo)
  • Identificar objetos en una imagen (SAM)
  • Generar ilustraciones (DALL-E)
  • Generar texto (ChatGPT)
  • Traducir el texto (Traductor de Google)
  • Jugar juegos (MindGo)

Por qué aprender IA de los libros

Al aprender, los libros tienen la ventaja de proporcionar una inmersión mucho más profunda que todos los demás recursos de aprendizaje. Los libros pasan por un extenso proceso de escritura en el que se escriben y las oraciones se vuelven a escribir para mayor claridad.

El resultado es una prosa bien escrita que expresa ideas casi de la mejor manera posible. Mi mayor razón personal para preferir los recursos basados ​​en texto es lo fácil que es hacer referencia y revisar algunos de los conceptos. Esto es más difícil en recursos basados ​​en videos, como tutoriales y cursos. Entonces, exploremos los mejores libros para aprender sobre aprendizaje automático.

El libro de aprendizaje automático de cien páginas

El libro de aprendizaje automático de cien páginas es exactamente eso, un libro que le enseña el aprendizaje automático en 100 páginas. Debido a la restricción de 100 páginas, el libro solo le brinda una descripción general del tema sin profundizar demasiado en la maleza.

Es ideal para principiantes, ya que cubre los fundamentos más importantes del campo, como el aprendizaje supervisado y no supervisado, métodos de conjunto, máquinas de vectores de soporte y descenso de gradiente.

El libro fue escrito por Andriy Burkov, especialista en Procesamiento del Lenguaje Natural con un Ph.D. en Inteligencia Artificial.

Aprendizaje automático para principiantes absolutos

Escrita por Oliver Theobald, esta es una de las introducciones al aprendizaje automático más fáciles y suaves que encontrará.

De este libro, recibirá una introducción al aprendizaje automático, pero el autor asume que no tiene experiencia previa en codificación. En su lugar, las explicaciones se dan en inglés sencillo y ayudas gráficas para que sea más fácil de entender.

Sin embargo, aún aprenderá a codificar, y el libro incluye algunos ejercicios de código descargables gratuitos y videos tutoriales complementarios. Sin embargo, este libro por sí solo no lo convertirá en un experto en Machine Learning. Todavía tendrá que aprender más con otros recursos.

Aprendizaje profundo

Este libro es probablemente el más completo que encontrará sobre Deep Learning. También fue escrito por un equipo de expertos, incluido Ian Goodfellow, un científico investigador que desarrolló Generative Adversarial Networks.

Le enseña los conceptos matemáticos que necesitará para comprender el aprendizaje profundo, incluidos el álgebra lineal, la teoría de la probabilidad, la teoría de la información y la computación numérica.

El libro cubre los diferentes tipos de redes utilizadas en Deep Learning, incluidas Deep Feedforward Networks, Convolutional Neural Networks y Optimization Networks. Además, fue respaldado por Elon Musk como el único libro completo sobre el tema.

Una introducción al aprendizaje estadístico

Introducción al aprendizaje estadístico proporciona una descripción general del campo del aprendizaje estadístico. El aprendizaje estadístico es un subconjunto del aprendizaje automático que incluye métodos de aprendizaje como regresiones lineales, clasificación y máquinas de vectores de soporte, entre otros.

Todas estas técnicas están cubiertas en el libro. Para solidificar los conceptos cubiertos, el libro utiliza ejemplos del mundo real. Se enfoca en implementar los conceptos aprendidos en R, un lenguaje de programación popular utilizado en el aprendizaje automático que se usa para la computación estadística.

El libro fue escrito por Trevor Hastie, Robert Tibshirami, Daniela Witten y Gartehm James, todos ellos profesores de Estadística. A pesar de su sólida base en estadísticas, el libro debería estar bien para estadísticos y no estadísticos.

Programación Inteligencia Colectiva

Programación de inteligencia colectiva es un libro útil que enseña a los desarrolladores de software cómo crear aplicaciones que utilizan la minería de datos y el aprendizaje automático.

Entre otros algoritmos, cubre cómo funcionan los sistemas de recomendación, la agrupación, los motores de búsqueda y los algoritmos de optimización. Incluye ejemplos de código concisos y ejercicios para ayudarlo a practicar.

El libro fue escrito por Toby Segaran, autor también de «Programming the Semantic Web» y «Beautiful Data».

Fundamentos del aprendizaje automático para el análisis predictivo de datos

Este libro le presenta los principales enfoques de aprendizaje automático utilizados para hacer predicciones. Antes de cubrir prácticamente los enfoques del aprendizaje automático, el libro ofrece una descripción general de los conceptos teóricos que debe conocer.

El libro cubre cómo usar el aprendizaje automático para hacer predicciones de precios, evaluaciones de riesgos, predecir el comportamiento del cliente y clasificar documentos.

Cubre los cuatro enfoques del aprendizaje automático: aprendizaje basado en información, aprendizaje basado en errores, aprendizaje basado en similitudes y aprendizaje basado en probabilidades. Fue escrito por John D. Kelleher, Brian Mac Namee y Aoife D’Arcy.

Comprender el aprendizaje automático: de la teoría a los algoritmos

El libro presenta el aprendizaje automático y los algoritmos que lo permiten. Proporciona una descripción general teórica de los fundamentos del aprendizaje automático y cómo se derivan las matemáticas.

También muestra cómo estos principios fundamentales se traducen luego en algoritmos y códigos. Estos algoritmos incluyen descenso de gradiente estocástico, redes neuronales y aprendizaje de salida estructurado.

El libro fue escrito para graduados y estudiantes universitarios avanzados por Shai Shalev-Shwartz y Shai Ben-David. Se puede comprar una copia física en Amazon, y una versión gratuita en línea está disponible aquí para descargarla y para uso no comercial.

Aprendizaje automático para piratas informáticos

Machine Learning for Hackers es un libro escrito pensando en programadores experimentados. Le presenta el aprendizaje automático de una manera práctica y más práctica. Aprenderá conceptos a partir de estudios de casos en lugar del enfoque basado en las matemáticas de otros libros.

El libro consta de capítulos que se centran en un área específica del aprendizaje automático, como clasificación, predicción, optimización y recomendación.

Se enfoca en implementar los modelos en el lenguaje de programación R e incluye proyectos emocionantes, como un clasificador de correo electrónico no deseado, un predictor de visitas a la página del sitio web y un descifrador de una sola letra.

El libro fue escrito por Drew Conway y John Myles White, ambos coautores de otro libro, «Aprendizaje automático para correo electrónico».

Aprendizaje automático práctico con R

El aprendizaje automático práctico cubre cómo implementar algoritmos como algoritmos de agrupación, codificadores automáticos, bosques aleatorios, redes neuronales profundas y muchos otros. La implementación se realiza utilizando el lenguaje de programación R y varios paquetes dentro de su ecosistema.

El libro no es un tutorial de lenguaje R en sí mismo. Por lo tanto, los lectores ya deben estar familiarizados con el idioma antes de usar el libro. Se puede comprar una versión física del libro en Amazon, y una versión en línea está disponible de forma gratuita aquí.

Aprendizaje automático de Python

Este libro sobre Python Machine Learning presenta el aprendizaje automático y cómo implementarlo en Python. Comienza cubriendo las bibliotecas básicas y más fundamentales utilizadas en el aprendizaje automático, como NumPy para el cálculo numérico y Pandas para el manejo de datos tabulares.

Luego presenta bibliotecas como scikit-learn, que se utiliza para crear modelos de aprendizaje automático. El libro también cubre la visualización de datos usando Matplotlib. Explica algoritmos como regresión, agrupamiento y clasificación. También cubre cómo implementar modelos.

En general, este libro es una introducción completa al aprendizaje automático para que pueda comenzar a implementar sus propios modelos e incorporarlos a sus aplicaciones. El libro fue escrito por Weng Meng Lee, el fundador de Developer Learning Solutions.

Aprendizaje automático interpretable con Python

Interpretable Machine Learning con Python es una guía completa para el aprendizaje automático que brinda una descripción general de los modelos de aprendizaje automático y cómo mitigar los riesgos de predicción y mejorar la interpretabilidad a través de ejemplos prácticos e implementaciones de código paso a paso.

Al cubrir los fundamentos de la interpretabilidad, los diferentes tipos de modelos, los métodos de interpretación y las técnicas de ajuste, el libro brinda a los lectores conocimientos de interpretación y habilidades para mejorar los modelos de aprendizaje automático de manera efectiva. El libro fue escrito por Serg Masís, científico de datos climáticos y agronómicos.

Ultimas palabras

Obviamente, esta lista de libros no es exhaustiva, pero estos son algunos de los mejores libros para aprender sobre aprendizaje automático como graduado. Si bien la mayoría de la IA se implementa con código, no siempre es necesario escribir el código. Hay muchas herramientas de IA sin código para que sea más fácil de desarrollar.

A continuación, consulte las plataformas de aprendizaje automático de código bajo y sin código para usar.