Los 10 libros de aprendizaje automático más perspicaces que debes leer en 2020

Los 10 libros de aprendizaje automático más perspicaces que debes leer en 2020

El aprendizaje automático es evidentemente un campo muy amplio y su estudio es una de las tareas más esclarecedoras que uno podría emprender. Hoy en día, la mayoría de las operaciones e innovaciones de negocios se hacen en torno al ML y sus aplicaciones innovadoras. Un número de profesionales se están capacitando con conocimientos avanzados de ML para prosperar en sus respectivos campos. Están más interesados en aprender las ofertas, los avances, la opinión de los expertos y diversos matices en el contexto del aprendizaje automático o la inteligencia artificial (IA) en su conjunto.

Si eres un entusiasta de la tecnología y estás deseando aprender algunas nuevas ideas e innovaciones sobre el aprendizaje de las máquinas, puedes encontrar un montón de libros completos que demuestran y ofrecen varias habilidades, consejos y oportunidades de aprendizaje. Aquí está la lista de los 10 principales libros de aprendizaje automático que los técnicos deben leer en 2020.

Aprendizaje automático (en Python y R) para los maniquíes

Autor: John Paul Mueller y Luca Massaron

El libro ofrece consejos sobre la instalación de R en plataformas Windows, Linux y macOS, la creación de matrices, la interacción con marcos de datos, el trabajo con vectores, la realización de tareas estadísticas básicas, la operación sobre probabilidades, la validación cruzada, el procesamiento y el aprovechamiento de datos, el trabajo con modelos lineales y la idea que subyace a los diferentes algoritmos.

El libro está dirigido a los principiantes – ya sea que necesiten aprender a codificar en R usando RStudio, o codificar en Python usando Anaconda, el libro ofrece una descripción de Python y R. Escrito por dos experimentados científicos de datos, el libro es una guía práctica para los conceptos clave en el análisis de datos, la minería de datos y ofrece una descripción de cómo aprovechar los algoritmos comunes.

El libro de cien páginas de aprendizaje de la máquina

Autor: Andriy Burkov

¿Es posible explicar varios temas de ML en sólo 100 páginas? El libro de aprendizaje de cien páginas de Andriy Burkov es un esfuerzo para realizar lo mismo. Escrito de una manera fácil de entender, el libro de ML está avalado por reputados líderes de pensamiento como el Director de Investigación de Google, Peter Norvig y Sujeet Varakhedi, Jefe de Ingeniería de eBay.

Si lees el libro con detenimiento, podrás construir y apreciar complejos sistemas de inteligencia artificial, aclarar una entrevista basada en el ML e incluso iniciar tu propio negocio basado en el ML. El libro, sin embargo, no está destinado a los principiantes absolutos de ML. Si buscas algo más fundamental, busca en otro lugar.

El libro cubre temas como la anatomía de un algoritmo de aprendizaje, algoritmos fundamentales, redes neuronales y aprendizaje profundo, otras formas de aprendizaje y aprendizaje supervisado y no supervisado.

Aprendizaje automático para principiantes absolutos: Una introducción al inglés sencillo

Autor: Oliver Theobald

¿Quieres aprender el ML pero no tienes ni idea de cómo? Bueno, antes de embarcarse en su épico viaje hacia el ML, hay algunos importantes principios teóricos y estadísticos que debería conocer primero. Y ahí es donde entra este libro! Es una introducción práctica y de alto nivel al ML para principiantes absolutos.

Machine Learning for Absolute Beginners te enseña todo lo básico, desde aprender a descargar conjuntos de datos gratuitos hasta las herramientas y bibliotecas ML que necesitarás. También se tratan temas como técnicas de depuración de datos, análisis de regresión, agrupación, fundamentos de las redes neuronales, sesgo/varianza, árboles de decisión, etc. Así que si todavía no has tenido ese momento del Rey León, en el que miras con orgullo la extensión de las miradas de Simba, como el ML, sobre las Tierras del Orgullo de África, entonces este es el mejor libro para levantarte suavemente y ofrecerte un claro panorama de la tierra.

Aprendizaje automático para principiantes

Autor: Scott Chesterton

Veterano de más de media docena de libros sobre ML, Scott Chesterton reúne en este libro los aspectos básicos del aprendizaje automático, tales como los marcos de trabajo populares de aprendizaje automático que se están utilizando, los algoritmos de ML, los sistemas de evaluación, la minería de datos y otras aplicaciones comunes del aprendizaje automático. El libro presenta comentarios sobre software de ML como TensorFlow, Reptilian, Logstash, Elasticsearch, Installing Marvel, Bro, HDFS, HBASE, Syslog, SNMP, capa de mensajería y capa de procesamiento en tiempo real.

Esencialmente para principiantes, el libro cubre conceptos clave como la preparación de datos, la limpieza de los conjuntos de datos, la clasificación, las pruebas, la inducción y la deducción, la preferencia inductiva, el sobreajuste y el subajuste, y la extracción de datos de texto. Los principiantes interesados en la ML también podrán aprender algoritmos clave como Decision Tree, Apriori, DBSCAN, Knowledge Mapping, Linear Models, K-Nearest Neighbors, support vector machine (SVM), FP-Growth y la nueva ola en la ML – redes neuronales y los populares algoritmos de redes neuronales convolucionales junto con sus aplicaciones prácticas.

Programando la Inteligencia Colectiva: Construyendo aplicaciones inteligentes para la Web 2.0

Autor: Toby Segaran

Considerado entre los mejores libros para empezar a entender el ML, el Programming Collective Intelligence de Toby Segaran fue escrito mucho antes de que, en 2007, la ciencia de los datos y el ML alcanzaran su actual estatus de vías de carrera de primer orden. El libro hace uso de Python como el vehículo para entregar el conocimiento a sus lectores.

La Inteligencia Colectiva de Programación es menos una introducción al LD y más una guía para implementar el LD. El libro detalla la creación de algoritmos eficientes de ML para la recolección de datos de aplicaciones, la creación de programas para acceder a datos de sitios web y la inferencia de los datos recolectados. Cada capítulo presenta ejercicios para ampliar los algoritmos mencionados y mejorar aún más su eficiencia y eficacia.

Los temas tratados en este libro son el filtrado bayesiano, las técnicas de filtrado en colaboración, la inteligencia en evolución para la resolución de problemas, los métodos para detectar grupos o patrones, la factorización de matrices no negativas, los algoritmos de los motores de búsqueda, las máquinas de vectores de apoyo y las formas de hacer predicciones.

Aprendizaje automático para hackers: Estudios de casos y algoritmos para empezar (1a edición)

Autores: Drew Conway & John Myles

En caso de que seas un programador interesado en el procesamiento de datos, este libro es perfecto para ti. (¡Aclaremos primero que el Hacker del título se refiere a un buen programador y no a un cracker informático secreto!) Así que este libro te ayudará a empezar con el ML usando muchos casos prácticos en lugar de las aburridas presentaciones matemáticas que son más comunes.

Machine Learning for Hackers se centra en problemas específicos de cada capítulo, como la clasificación, la predicción, la optimización y la recomendación. También le enseñará a analizar diferentes conjuntos de datos de muestra y a escribir algoritmos ML simples en el lenguaje de programación R.

Aprendizaje práctico de máquinas con Scikit-Learn, Keras y TensorFlow: Conceptos, herramientas y técnicas para construir sistemas inteligentes

Autor: Aurelien Geron

Uno de los libros más leídos en el espacio de la Inteligencia Artificial y el ML, esta práctica guía de Aurelein Geron es de lectura obligada para los científicos de datos y los entusiastas del ML que buscan ejemplos prácticos sobre cómo implementar herramientas de ML.

El libro está dirigido a los lectores que tienen experiencia en la codificación de Python. El libro introduce a los lectores a una serie de técnicas, que van desde la simple regresión lineal a las redes neuronales profundas, para construir sistemas inteligentes en marcos populares de Python como Scikit-Learn, Keras y TensorFlow. Los lectores también pueden aprender a entrenar modelos como máquinas de vectores de apoyo, árboles de decisión, bosques aleatorios y métodos de trabajo en conjunto. El principal requisito previo antes de comprar este libro es tener conocimientos de Python.

Los elementos del aprendizaje estadístico: Minería de datos, inferencia y predicción

Autor: Trevor Hastie, Robert Tibshirani y Jerome Friedman

Si te gustan las estadísticas y quieres aprender el aprendizaje automático desde la perspectiva de las estadísticas, entonces The Elements of Statistical Learning es el libro que debes leer. El libro de ML enfatiza las derivaciones matemáticas para definir la lógica subyacente de un algoritmo de ML. Antes de tomar este libro, asegúrate de tener al menos un entendimiento básico del álgebra lineal.

Los conceptos explicados en el libro «Los Elementos de Aprendizaje Estadístico» no son aptos para principiantes. Por lo tanto, puede que te resulte complejo de digerir. Sin embargo, si todavía quieres aprenderlos, puedes consultar el libro «Introducción al Aprendizaje Estadístico». Explica los mismos conceptos pero de una manera fácil de entender para los principiantes.

Los temas tratados en este libro son Aprendizaje en conjunto, Problemas de alta dimensión, Métodos lineales de clasificación y regresión, Inferencia y promedio de modelos, Redes neuronales, Bosques aleatorios, y Aprendizaje supervisado y no supervisado.

Aprendizaje automático: La nueva IA (The MIT Press Essential Knowledge Series)

Autor: Ethem Alpaydin

El ML tiene una insana gama de aplicaciones en los tiempos modernos, desde recomendaciones de productos hasta reconocimiento de voz e incluso aquellos que no se usan comúnmente como coches auto-conductores! Ahora, la base del ML son los datos y como los datos se han hecho más grandes (¡Grandes datos!), no es sorprendente que el ML también haya avanzado ya que es fundamental en el proceso de convertir los datos en conocimiento.

Aprendizaje automático: La nueva IA se centra en el ML básico, que va desde la evolución hasta importantes algoritmos de aprendizaje y sus aplicaciones de ejemplo. Este libro también se centra en los algoritmos de aprendizaje automático para el reconocimiento de patrones; las redes neuronales artificiales, el aprendizaje de refuerzo, la ciencia de los datos y las implicaciones éticas y legales de la ML para la privacidad y la seguridad de los datos

Inteligencia Artificial y Aprendizaje Automático para los Negocios

Autor: Scott Chesterton

Este libro de Scott Chesterton no es de larga lectura o puede no contener ejemplos de codificación avanzada, pero actúa como un buen recurso teórico sobre cómo hacer operativos los proyectos de IA y ML, cómo las herramientas y técnicas de ML pueden ser mejor utilizadas para procesar grandes datos, y cómo visualizar los resultados analíticos de un modelo predictivo. El libro está dirigido a usuarios de nivel intermedio que estén familiarizados con las herramientas, marcos y técnicas de ML.

Este libro será de gran utilidad para los ingenieros y gerentes analíticos de organizaciones que buscan desarrollar nuevos proyectos de IA y ML para estimular el crecimiento de sus negocios o para construir su estrategia empresarial. A través de este libro, Chesterton introduce a los lectores a los proyectos de aprendizaje automático y cómo pueden utilizarse para mejorar las capacidades y la competitividad de una organización y cómo los equipos de ML pueden prepararse para los nuevos retos cuando despliegan el aprendizaje automático a escala.

Leave a Comment!