kirill_makarov - stock.adobe.com
9 libros sobre aprendizaje automático que deben leer
Encuentren tres buenas opciones para elegir por cada nivel de comprensión: principiante, intermedio o experto.
Si desean obtener más información sobre el aprendizaje automático (machine learning, ML), los libros siempre son un buen recurso para consultar. Pero, ¿qué libro deberían elegir? ¿Y qué deberían elegir en función de su nivel de experiencia? No querrán elegir un libro para expertos si son principiantes y viceversa. Por lo tanto, esta guía hace parte del trabajo preliminar por ustedes, brindándoles tres buenas opciones para elegir por niveles de comprensión de principiante, intermedio y experto.
Para los principiantes que recién se inician en el aprendizaje automático, ML es un tipo de inteligencia artificial (IA) que permite que las aplicaciones de software sean más precisas para predecir resultados. Los modelos de aprendizaje automático pueden "aprender" a través de los marcos del aprendizaje por refuerzo y el aprendizaje estadístico. Comenzando como una rama de la informática, los algoritmos de aprendizaje automático utilizan datos históricos como entrada para predecir nuevos valores de salida, lo que es útil para el análisis predictivo.
Los motores de recomendación son un caso de uso común para el aprendizaje automático, mientras que otros usos incluyen detección de fraude, filtrado de spam, detección de amenazas de malware, automatización de procesos de negocio (BPA), creación de modelos gráficos y análisis de datos predictivos.
Nivel introductorio
Introducción al aprendizaje automático con Python, por Andreas C. Müller y Sarah Guido
Este libro se centra en enseñar a las personas los pasos para crear software de aprendizaje automático mientras crean aplicaciones a través de la biblioteca scikit-learn y el lenguaje de programación Python. Python es normalmente la opción predominante para implementar modelos de ML.
Este libro es útil para los ingenieros de aprendizaje automático de nivel de entrada, ya que no presupone conocimientos previos sobre el aprendizaje automático. Presenta conceptos fundamentales de aprendizaje automático proporcionando métodos básicos y ejemplos. Los conceptos introducidos incluyen aplicaciones, algoritmos de aprendizaje automático, modelos de encadenamiento y flujo de trabajo encapsulado y representación de datos procesados. También introduce conceptos como Python, probabilidad, álgebra lineal y optimización.
Encuentren una copia de Introducción al aprendizaje automático con Python.
Programación de la inteligencia colectiva: creación de aplicaciones web inteligentes 2.0, por Toby Segaran
Este libro es otro buen punto de partida para aprender sobre ML. El libro se escribió en 2007, pero sigue siendo una buena introducción al tema. Al igual que Introducción al aprendizaje automático con Python, este libro utiliza Python al enseñar ML. Sin embargo, a diferencia del primer libro, Programming Collective Intelligence se centra en crear más una guía para implementar el aprendizaje automático. También toca cómo se pueden crear aplicaciones para la minería de datos.
Los algoritmos de aprendizaje automático de este libro se describen utilizando código real que se puede utilizar en la mayoría de los lugares. Esta es una buena lectura si desean aprender a crear un algoritmo de aprendizaje automático o crear un programa para acceder y recopilar datos. También pueden poner a prueba sus conocimientos usando los ejercicios incluidos. El libro se centra en conceptos relacionados con los algoritmos de los motores de búsqueda, las estrategias de detección de métodos y las técnicas de filtrado.
Encuentren una copia de Programming Collective Intelligence: Building Smart Web 2.0 Applications.
Aprendizaje automático para principiantes absolutos: una sencilla introducción en inglés, de Oliver Theobald
Oliver Theobald escribió este libro para lectores que no tienen conocimientos técnicos previos sobre el aprendizaje automático, lo que significa que no se necesitan conocimientos matemáticos o de codificación de antemano. Machine Learning For Absolute Beginners explica las terminologías utilizadas en un lenguaje sencillo para una amplia audiencia. El libro cubre los conceptos teóricos y estadísticos importantes que alguien con poco o ningún conocimiento previo sobre el aprendizaje automático debe conocer primero.
Los conceptos enseñados se relacionan con el aprendizaje automático, el big data y el análisis de datos. Los conceptos específicos relacionados con el aprendizaje automático incluyen análisis de regresión, árboles de decisión, validación cruzada, técnicas de depuración de datos, agrupación en clústeres y algoritmos de máquina de vectores de soporte (SVM). El libro incluso cubre algunos conceptos más detallados, como el aprendizaje profundo y las redes neuronales.
Encuentren una copia de Aprendizaje automático para principiantes absolutos: una introducción en inglés sencillo.
Nivel intermedio
Reconocimiento de patrones y aprendizaje automático, por Christopher M. Bishop
Los libros de nivel intermedio tienden a hacer algunas suposiciones, con el pretexto de que el lector ya debe conocer información básica e introductoria sobre el aprendizaje automático. Pattern recognition and Machine Learning no requiere demasiado conocimiento previo, pero asume que los lectores ya conocen algunos conceptos básicos. Como tal, antes de leer este libro, deben tener un conocimiento básico de cálculo multivariante, álgebra lineal básica, ciencia de datos y algo de teoría de la probabilidad. El libro comienza con una introducción general que cubre algunos conceptos básicos que rodean la teoría de la probabilidad y el reconocimiento de patrones y crece en complejidad capítulo a capítulo.
El libro se centra en los aspectos teóricos del aprendizaje automático, así como en los conceptos estadísticos del aprendizaje automático y el reconocimiento de patrones. Si desean obtener más información sobre estos conceptos, este es el libro para usted. Las ideas cubiertas incluyen teoría de probabilidad básica, reconocimiento de patrones, el método bayesiano y algoritmos de inferencia aproximada. El libro también incluye ejercicios de práctica relacionados con el reconocimiento de patrones estadísticos.
Encuentren una copia de Reconocimiento de patrones y aprendizaje automático.
Comprensión del aprendizaje automático: de la teoría a los algoritmos, por Shai Shalev-Shwartz y Shai Ben-David
Los lectores deben tener un buen conocimiento de los conceptos básicos del aprendizaje automático antes de leer este libro. Sin embargo, primero se basa en algunos fundamentos antes de entrar en conceptos y aplicaciones más complicados.
El libro cubre conceptos teóricos bastante extensos sobre las ideas fundamentales que rodean el aprendizaje automático y las matemáticas que los convierten en algoritmos reales. En otras palabras, el libro enseña cómo convertir ecuaciones matemáticas en algoritmos de aprendizaje automático. La comprensión del aprendizaje automático también analiza conceptos teóricos, incluidos los límites basados en la compresión. Los conceptos adicionales cubiertos incluyen redes neuronales, descenso de gradiente estocástico y aprendizaje estructurado de salida.
La copia física del libro tiene un costo; sin embargo, Cambridge University Press permite descargarlo y leerlo de forma gratuita en formato PDF.
Encuentren una copia de Comprensión del aprendizaje automático: de la teoría a los algoritmos.
Aprendizaje automático: el arte y la ciencia de los algoritmos que dan sentido a los datos, por Peter Flach
Este libro es bueno para niveles intermedios y expertos. Aunque el contenido es complejo, explica los conceptos relativamente bien, de una manera que no pierde de vista los principios subyacentes. Al igual que en el reconocimiento de patrones y el aprendizaje automático, el libro se vuelve cada vez más complejo con cada capítulo. Aun así, Flach incluye varios estudios de casos, ejemplos e ilustraciones para que los lectores avancen.
El libro cubre una gran cantidad de modelos de análisis lógicos, geométricos y estadísticos que rodean el aprendizaje automático junto con la factorización de matrices y el análisis de características operativas del receptor (ROC). Cada tema cubierto tiene un enfoque basado en ejemplos, por ejemplo, cómo comienza con una discusión sobre cómo funciona un filtro de spam.
Encuentren una copia de Machine Learning: El arte y la ciencia de los algoritmos que dan sentido a los datos.
Nivel experto
Aprendizaje profundo con Python, por François Chollet
Este libro se centra en un tipo específico de aprendizaje automático, el aprendizaje profundo. El aprendizaje profundo imita la forma en que los humanos obtienen ciertos tipos de conocimiento. Este libro fue escrito por François Chollet, un investigador de IA de Google y creador de Keras, una API de aprendizaje profundo basada en Python. Aunque este libro trata de temas más complicados, comienza con relativa suavidad y se vuelve más complicado a medida que avanza. El libro se centra en la practicidad y lo prepara para poder construir sus propios proyectos de aprendizaje profundo al finalizar el libro. Aunque el libro se promociona como una buena introducción al aprendizaje automático, la información presentada se vuelve cada vez más de alto nivel a medida que pasa por alto algunos conceptos matemáticos sin profundizar en la comprensión de esos conceptos más básicos.
Deep Learning with Python cubre técnicas prácticas de deep learning y código Python, específicamente usando Keras. Las técnicas presentadas son relativamente actuales, publicadas en 2017. El libro brinda fragmentos de código que se pueden usar de inmediato. También presenta muchos consejos útiles basados en el uso del aprendizaje profundo. Otros temas en los que se centra incluyen la visión por computadora, el procesamiento del lenguaje natural y los modelos generativos.
Encuentren una copia de Deep Learning with Python.
Aprendizaje automático: una perspectiva probabilística, por Kevin P. Murphy
Aprendizaje automático: una perspectiva probabilística es un enfoque mucho más orientado a las matemáticas y al modelo del tema del aprendizaje automático. Antes de leer este libro, se debe tener una sólida comprensión de algunas de las matemáticas detrás del aprendizaje automático. Está escrito en un estilo relativamente informal, lo que puede ayudar a los lectores a comprender los conceptos más rápidamente. Cada tema se complementa con una imagen o ejemplo para ayudar también a los lectores.
El libro cubre temas como aprendizaje profundo, probabilidad, optimización, álgebra lineal y regularización L1. También cubre conceptos complicados, que se aclaran con la ayuda de las imágenes. Tengan en cuenta que este libro es mejor como libro de referencia porque los conceptos importantes se resumen de manera breve.
Encuentren una copia de Machine Learning: una perspectiva probabilística.
Aprendizaje profundo, de Ian Goodfellow, Yoshua Bengio y Aaron Courville
Este libro sirve como una buena referencia para los algoritmos de aprendizaje profundo al mismo tiempo que muestra un enfoque a los problemas relacionados con el aprendizaje automático. El libro se centra principalmente en las matemáticas y la información conceptual que rodea al álgebra lineal, la probabilidad, la teoría de la información y el cálculo numérico. También cubre temas como modelado de secuencias de redes de alimentación profunda, algoritmos de optimización y redes convolucionales.
El libro tiene algunos capítulos introductorios, pero es mejor para expertos porque es muy técnico y matemático. Se requiere un gran conocimiento de las matemáticas en torno al aprendizaje automático y un conocimiento profundo sobre el aprendizaje automático en general. Si bien los libros anteriores son mejores para principiantes, este libro es mejor como referencia para aquellos con más conocimientos técnicos.
Encuentren una copia de Deep Learning.
