Ciencia de los datos

Los mejores libros de texto de aprendizaje automático en 2020

Los mejores libros de texto de aprendizaje automático en 2020
El aprendizaje automático es uno de los temas de TI más candentes en la actualidad, con casos de uso que abarcan todo, desde la seguridad de los datos hasta el comercio financiero y la personalización del marketing. El puesto de ingeniero de aprendizaje automático se ha convertido rápidamente en uno de los trabajos más demandados del mundo, y el salario base promedio que lo acompaña refleja esto.

No es de extrañar entonces que tanta gente esté considerando entrar en el fascinante mundo de los algoritmos informáticos que mejoran automáticamente a través de la experiencia. Si se encuentra entre ellos, o si solo quiere ver más allá de las exageraciones y comprender de qué se trata realmente el aprendizaje automático, nuestra selección de los 20 mejores libros de texto de aprendizaje automático puede ayudarlo a alcanzar sus objetivos.

Inteligencia artificial: un enfoque moderno (cuarta edición) por Peter Norvig y Stuart J. Russell

Disponible: en Amazon

Publicado: 2020
Recuento de páginas: 1136

Decidir con qué libro de texto de aprendizaje automático comenzar no fue difícil porque las universidades de todo el mundo recomiendan Inteligencia artificial: un enfoque moderno a los estudiantes. Ahora en sus 4th edición, el libro hace un trabajo fantástico al presentar el campo de la inteligencia artificial (el aprendizaje automático es un subconjunto de la IA) a los principiantes, y también cubre una amplia gama de temas de investigación relacionados, proporcionando referencias útiles para estudios posteriores. Según sus autores, este gran libro de texto debería tomar alrededor de dos semestres para cubrir, así que no espere que sea una lectura rápida.

Reconocimiento de patrones y aprendizaje automático por Christopher M. obispo

Disponible: en Amazon

Publicado: 2011
Recuento de páginas: 738

Puede pensar en el reconocimiento de patrones y el aprendizaje automático de Christopher M. Bishop como un curso de introducción suave (al menos en lo que respecta a los libros de texto de aprendizaje automático) a la teoría detrás del aprendizaje automático. El libro de texto incluye más de 400 ejercicios que se califican según su dificultad, y hay mucho más material adicional disponible en su sitio web. Simplemente no espere saber cómo aplicar la teoría que enseña el libro de texto cuando llegue a su última página; hay otros libros para eso.

Aprendizaje profundo de Goodfellow et. Alabama

Disponible: en Amazon

Publicado: 2016
Recuento de páginas: 800

Si le pidieras a Elon Musk que te recomendara un libro sobre aprendizaje automático, este es el que él recomendaría. Una vez dijo que Deep Learning es el único libro completo sobre este tema. El libro cubre todo, desde los antecedentes matemáticos y conceptuales hasta las técnicas de aprendizaje profundo líderes en la industria y las últimas perspectivas de investigación. Le recomendamos que obtenga la versión electrónica porque Deep Learning es famoso por su mala calidad de impresión.

Los elementos del aprendizaje estadístico: minería de datos, inferencia y predicción, segunda edición de Hastie, Tibshirani y Friedman

Disponible: en Amazon

Publicado: 2016
Recuento de páginas: 767

No dejes que el título de este libro de texto te intimide. Si desea comprender realmente el aprendizaje automático y aplicarlo para resolver problemas difíciles, debe acostumbrarse a leer libros de texto que no parecen muy accesibles. Aunque el libro de texto adopta un enfoque decisivamente estadístico, no es necesario ser un estadístico para leerlo porque enfatiza los conceptos en lugar de las matemáticas.

Aprendizaje automático práctico con Scikit-Learn, Keras y TensorFlow: conceptos, herramientas y técnicas para construir sistemas inteligentes (2Dakota del Norte Edición) de Aurélien Géron

Disponible: en Amazon

Publicado: 2019
Recuento de páginas: 856

Scikit-Learn, Keras y TensorFlow son tres bibliotecas populares de aprendizaje automático, y este libro de texto se centra en cómo se pueden utilizar para crear programas de aprendizaje automático que resuelvan problemas reales. Gracias a la naturaleza amigable para los principiantes de estas bibliotecas, se requieren conocimientos teóricos básicos mínimos para leer este libro de texto, lo que lo hace ideal para aquellos que deseen obtener una comprensión intuitiva del aprendizaje automático mediante la construcción de algo útil.

Comprensión del aprendizaje automático: de la teoría a los algoritmos por Shai Shalev-Shwartz y Shai Ben-David

Disponible: en Amazon

Publicado: 2014
Recuento de páginas: 410

Muchos libros de texto sobre aprendizaje automático son difíciles de leer porque sus autores no pueden ponerse en el lugar de alguien nuevo en el campo, pero no éste. Comprender el aprendizaje automático comienza con una introducción clara al aprendizaje automático estadístico. Luego conecta los conceptos teóricos con algoritmos prácticos sin ser ni demasiado prolijo ni demasiado vago. Independientemente de si desea actualizar sus conocimientos o embarcarse en un viaje de por vida en la industria, no dude en tomar este libro de texto.

Aprendizaje automático: una perspectiva probabilística por Kevin P. Murphy

Disponible: en Amazon

Publicado: 2012
Recuento de páginas: 1104

Como sugiere el título de este libro, esta introducción al aprendizaje automático se basa en modelos probabilísticos para detectar patrones en los datos y usarlos para hacer predicciones sobre datos futuros. El libro está escrito en un estilo agradable e informal y hace un gran uso de ilustraciones y ejemplos prácticos. Los modelos que describe se han implementado utilizando Probabilistic Modeling Toolkit, que es un paquete de software MATLAB que puede descargar de Internet. Desafortunadamente, el kit de herramientas ya no es compatible porque la nueva versión de este libro usará Python en su lugar.

Teoría de la información, inferencia y algoritmos de aprendizaje por David J. C. MacKay

Disponible: en Amazon

Publicado: 2003
Recuento de páginas: 640

Sí, este libro de texto se publicó hace casi 20 años, pero eso no lo hace menos relevante en la actualidad. Después de todo, el aprendizaje automático no es tan joven como podría sugerir la reciente exageración. Qué hace que la teoría de la información, la inferencia y los algoritmos de aprendizaje por David J. C. MacKay tan atemporal es su enfoque multidisciplinario que proporciona amplias conexiones entre diferentes campos. Por sí solo, no es muy útil porque no tiene suficientes ejemplos prácticos, pero funciona muy bien como un libro de texto introductorio.

Una introducción al aprendizaje estadístico: con aplicaciones en R por Gareth M. James, Trevor Hastie, Daniela Witten y Robert Tibshirani

Disponible: en Amazon

Publicado: 2013
Recuento de páginas: 440

Puede pensar en Introducción al aprendizaje estadístico como una alternativa más accesible a Los elementos del aprendizaje estadístico, que requiere conocimientos avanzados de estadística matemática. Para terminar este libro de texto, debe estar perfectamente bien con una licenciatura en matemáticas o estadística. En sus 440 páginas, los autores brindan una descripción general del campo del aprendizaje estadístico y presentan importantes técnicas de modelado y predicción, con sus aplicaciones.

El libro de aprendizaje automático de cien páginas de Andriy Burkov

Disponible: en Amazon

Publicado: 2019
Recuento de páginas: 160

Mientras que la mayoría de los libros de texto enumerados en este artículo están más cerca de las mil páginas, este libro delgado, que comenzó como un desafío en LinkedIn, explica mucho en solo un centenar de páginas. Una de las razones por las que The Hundred-Page Machine Learning Book se convirtió en un éxito instantáneo es su lenguaje sencillo, que se aleja de los rígidos trabajos académicos. Recomendamos este libro a los ingenieros de software que creen que pueden utilizar las herramientas de aprendizaje automático disponibles, pero no saben por dónde empezar. Dicho esto, cualquier persona interesada en el aprendizaje automático puede disfrutar del libro porque enfatiza los conceptos sobre el código.

Introducción al aprendizaje automático con Python: una guía para científicos de datos por Andreas C. Müller y Sarah Guido

Disponible: en Amazon

Publicado: 2016
Recuento de páginas: 400

Si domina Python y le gustaría comenzar con el aprendizaje automático mediante la creación de soluciones prácticas para problemas reales, este es el libro adecuado para usted. No, no aprenderá demasiada teoría, pero todos los conceptos fundamentales están bien cubiertos y hay muchos otros libros que cubren el resto. Para aprovechar al máximo la Introducción al aprendizaje automático con Python, debe tener al menos algo de familiaridad con las bibliotecas NumPy y matplotlib.

Modelado predictivo aplicado por Max Kuhn y Kjell Johnson

Disponible: en Amazon

Publicado: 1ª ed. 2013, Corr. 2a impresión 2018
Recuento de páginas: 613

Este libro de texto proporciona una introducción a los modelos predictivos, que utilizan datos y estadísticas para predecir resultados con modelos de datos. Comienza con el procesamiento de datos y continúa con técnicas modernas de regresión y clasificación, siempre enfatizando los problemas de datos reales. Puede implementar fácilmente todos los modelos explicados en el libro gracias al código R proporcionado, que muestra exactamente lo que necesita hacer para terminar con una solución que funcione.

Aprendizaje profundo con Python por François Chollet

Disponible: en Amazon

Publicado: 2017
Recuento de páginas: 384

Es posible que ya esté familiarizado con el autor de este libro de texto de aprendizaje automático porque es responsable de una biblioteca de redes neuronales de código abierto llamada Keras, posiblemente la biblioteca de aprendizaje automático más popular escrita en Python. Dada esta información y el título del libro de texto, no debería sorprenderle saber que es el mejor curso intensivo de Keras disponible. Las técnicas prácticas se priorizan por encima de la teoría, pero eso solo significa que puede resolver tareas sofisticadas de aprendizaje automático en solo unas pocas semanas.

Aprendizaje automático de Tom M. Mitchell

Disponible: en Amazon

Publicado: 1997
Recuento de páginas: 414

Publicado en 1997, este libro presenta todos los tipos de algoritmos de aprendizaje automático en un idioma que todos los graduados de informática deberían poder comprender. Si usted es el tipo de persona que necesita tener una comprensión amplia de un tema en particular antes de sentirse cómodo para profundizar en él, le encantará cómo se presenta la información de este libro. Simplemente no espere Machine Learning de Tom M. Mitchell para ser una guía práctica porque eso no es lo que se supone que es este libro.

Creación de aplicaciones impulsadas por el aprendizaje automático: pasando de la idea al producto por Emmanuel Ameisen

Disponible: en Amazon

Publicado: 2020
Recuento de páginas: 260

Una cosa es comprender los modelos de aprendizaje automático y otra completamente distinta saber cómo llevarlos a producción. Este libro relativamente delgado de Emmanuel Ameisen explica exactamente eso, guiándolo a través de cada paso del proceso, desde la idea inicial hasta el producto implementado. Se puede recomendar la creación de aplicaciones impulsadas por el aprendizaje automático a los científicos de datos en ciernes y a los ingenieros de aprendizaje automático que hayan dominado la teoría pero que aún no la hayan aplicado en la industria.

Aprendizaje por refuerzo: una introducción (segunda edición) por Richard S. Sutton, Andrew G. Barto

Disponible: en Amazon

Publicado: 2018
Recuento de páginas: 552

El aprendizaje por refuerzo es un área del aprendizaje automático que se ocupa del entrenamiento de modelos de aprendizaje automático para tomar acciones en un entorno complejo e incierto para maximizar la cantidad total de recompensa recibida. Si esto le parece interesante, no dude en comprar este libro porque es ampliamente considerado como la Biblia del tema. La segunda edición incluye muchos cambios estructurales y de contenido importantes, así que consígalo si es posible.

Aprendiendo de los datos por Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin.

Disponible: en Amazon

Publicado: 2012
Recuento de páginas: 213

Learning From Data es una breve pero relativamente completa introducción al aprendizaje automático y sus aplicaciones prácticas en finanzas, comercio, ciencia e ingeniería. El libro se basa en más de una década de material didáctico, que los autores destilaron en una selección de temas centrales que todos los interesados ​​en el tema deberían comprender. Es ideal para principiantes que no tienen mucho tiempo para estudiar la teoría del aprendizaje automático, especialmente si leen junto con la serie de conferencias de Yaser en YouTube.

Redes neuronales y aprendizaje profundo: un libro de texto de Charu C. Aggarwal

Disponible: en Amazon

Publicado: 2018
Recuento de páginas: 497

Las redes neuronales son una forma de hacer aprendizaje automático, y este libro de texto puede ayudarlo a comprender la teoría detrás de ellas. Al igual que el aprendizaje automático en general, este libro es matemáticamente intenso, así que no espere llegar demasiado lejos si sus matemáticas están oxidadas. Dicho esto, el autor hace un gran trabajo al explicar las matemáticas detrás de todos los ejemplos proporcionados y guiar al lector a través de varios escenarios intrincados.

Aprendizaje automático para principiantes absolutos: una introducción en inglés sencillo (2Dakota del Norte Edición) de Oliver Theobald

Disponible: en Amazon

Publicado: 2017
Recuento de páginas: 157

Si tiene interés en el aprendizaje automático, pero no necesariamente se siente cómodo leyendo libros de texto extensos sobre el tema, es posible que prefiera este libro para principiantes, que proporciona una introducción práctica y de alto nivel al lenguaje automático utilizando un inglés sencillo. Al final de este libro, sabrá cómo predecir los valores de la casa utilizando su primer modelo de aprendizaje automático creado en Python.

Aprendizaje profundo generativo: enseñar a las máquinas a pintar, escribir, componer y jugar por David Foster

Disponible: en Amazon

Publicado: 2019
Recuento de páginas: 330

Se ha escrito y dicho mucho sobre las redes generativas adversas (GAN), uno de los temas más candentes en el campo del aprendizaje automático en la actualidad. Si desea comprender cómo funcionan ellos y otros modelos generativos de aprendizaje profundo bajo el capó, este libro de David Foster es un excelente punto de partida, siempre que tenga experiencia en codificación en Python.

Puertos de código abierto de motores de juegos comerciales
Las recreaciones gratuitas, de código abierto y de motores de juegos multiplataforma se pueden usar para jugar títulos de juegos antiguos y también al...
Los mejores juegos de línea de comandos para Linux
La línea de comandos no es solo su mayor aliado cuando usa Linux, también puede ser la fuente de entretenimiento porque puede usarla para jugar muchos...
Las mejores aplicaciones de mapeo de gamepad para Linux
Si te gusta jugar juegos en Linux con un gamepad en lugar de un sistema de entrada de teclado y mouse típico, hay algunas aplicaciones útiles para ti....