5 libros gratuitos para dominar el aprendizaje automático
5 libros gratuitos para dominar el machine learning
En el mundo de alta tecnología de hoy en día, el aprendizaje automático es súper importante. Es posible que hayas tomado algunos cursos en línea, pero a menudo pasan por alto los detalles. Si realmente quieres profundizar y dominar el aprendizaje automático, los libros son el camino a seguir. Sé que puede ser abrumador con tantas opciones disponibles. Pero no te preocupes, nosotros te respaldamos.
He seleccionado cinco libros que marcaron una gran diferencia en mi propio viaje de aprendizaje automático. Estos libros te ayudarán a comprender mejor el aprendizaje automático en 2023.
Entonces, si estás listo para llevar tus conocimientos al siguiente nivel y explorar las profundidades de este fascinante campo, sigue leyendo.
- Investigadores de Microsoft presentan Table-GPT Elevando modelos de lenguaje para destacar en la comprensión de tablas bidimensionales y tareas relacionadas.
- Solo usa LLMs si sabes cómo hacer la tarea por ti mismo/a
- ¿Cómo construir una aplicación de búsqueda multi-modal con Chroma?
1. Aprendizaje automático para principiantes absolutos
Autor: Oliver Theobald
Enlace: Aprendizaje automático para principiantes absolutos
Has escuchado la palabra aprendizaje automático y quieres adentrarte en este emocionante campo, pero no sabes por dónde empezar. ¡Entonces este es el libro adecuado para ti!
Este libro es perfecto para aquellos que son nuevos en el campo y no tienen experiencia previa en programación. Está escrito en un lenguaje sencillo y no requiere experiencia previa en programación. El libro brinda una introducción de alto nivel al aprendizaje automático, ejercicios de código descargables gratuitos y demostraciones en video. ¿Qué más podrías desear?
Temas cubiertos:
- ¿Qué es el aprendizaje automático?
- Categorías de ML
- La caja de herramientas de ML
- Limpieza de datos
- Configuración de tus datos
- Análisis de regresión
- Agrupamiento
- Sesgo y varianza
- Redes neuronales artificiales
- Árboles de decisión
- Modelado en conjunto
- Creación de un modelo en Python
- Optimización del modelo
2. Matemáticas para el aprendizaje automático
Autor: Marc Peter Deisenroth
Enlace: Matemáticas para el aprendizaje automático
Ahora que conoces algunos conceptos básicos, es hora de construir tu base para temas complejos de aprendizaje automático. ¿Qué debes hacer ahora? ¡Matemáticas para el aprendizaje automático es todo lo que necesitas!
Es un libro de texto autosuficiente que introduce las herramientas matemáticas fundamentales necesarias para comprender el aprendizaje automático. El libro presenta conceptos matemáticos con un mínimo de requisitos previos y utiliza estos conceptos para derivar cuatro métodos centrales de aprendizaje automático: regresión lineal, análisis de componentes principales, modelos de mezcla gaussianos y máquinas de vectores de soporte.
El autor del libro, Marc Peter Deisenroth, es el Cátedra de DeepMind en Inteligencia Artificial en University College London y ha recibido varios premios por su investigación en aprendizaje automático.
Temas cubiertos:
- Álgebra lineal
- Geometría analítica
- Descomposiciones de matrices
- Cálculo vectorial
- Probabilidad y distribuciones
- Optimización continua
- Cuando los modelos se encuentran con los datos
- Regresión lineal
- Reducción de dimensionalidad con análisis de componentes principales
- Estimación de densidad con modelos de mezcla gaussianos
- Clasificación con máquinas de vectores de soporte
3. Aprendizaje automático para hackers
Autores: Drew Conway y John Myles White
Enlace: Aprendizaje automático para hackers
Till ahora has estado aprendiendo teoría y realmente quieres empezar a codificar en machine learning hardcore. Pero no te preocupes. Si eres alguien con talento para la programación y la codificación, este libro está hecho a tu medida.
El libro incorpora estudios de casos prácticos para demostrar la relevancia del mundo real de los algoritmos de machine learning. Estos ejemplos, incluyendo uno sobre la construcción de un sistema de recomendación de seguidores de Twitter, sirven para conectar conceptos abstractos con aplicaciones tangibles. Este libro es ideal para programadores que disfrutan de los estudios de casos prácticos.
Temas cubiertos:
- Exploración de datos
- Clasificación: Filtro de spam
- Ranking: Bandeja de entrada prioritaria
- Regresión: Predicción de vistas de página
- Regularización: Regresión de texto
- Optimización: Descifrar códigos
- PCA: Construcción de un índice de mercado
- MDS: Exploración visual de la similitud de senadores de EE. UU.
- kNN: Sistemas de recomendación
- Análisis de grafos sociales
- Comparación de modelos
4. Aprendizaje automático práctico con Scikit-Learn, Keras y TensorFlow
Autor: Geron Aurelien
Enlace: Aprendizaje automático práctico con Scikit-Learn, Keras y TensorFlow
Este libro es una guía práctica de machine learning que se centra en la construcción de sistemas de principio a fin. El libro cubre una amplia gama de temas, incluyendo regresión lineal, árboles de decisión, métodos de conjunto, redes neuronales, aprendizaje profundo, y más.
La última edición de este libro contiene código de las últimas versiones de bibliotecas de machine learning y deep learning como TensorFlow y Scikit-Learn.
Temas cubiertos:
- Selección de medida de rendimiento
- Creación de conjunto de pruebas
- Regresión lineal con Descenso de Gradiente
- Regresión Ridge, Lasso y Elastic Net
- SVM para clasificación
- Árboles de decisión e Impureza de Gini
- Métodos de aprendizaje en conjunto
- Análisis de Componentes Principales (PCA)
- Agrupamiento con K-Means y DBSCAN
- Redes Neuronales Artificiales con Keras
- Entrenamiento de redes neuronales profundas
- Modelos personalizados con TensorFlow
- Carga y preprocesamiento de datos con TensorFlow
- CNNs, RNNs, y GANs en aprendizaje profundo
5. Abordando (Casi) Cualquier Problema de Aprendizaje Automático
Autor: Abhishek Thakur
Enlace: Abordando (Casi) Cualquier Problema de Aprendizaje Automático
¿Estás listo para llevar tus habilidades en machine learning al siguiente nivel? Este libro es tu boleto al emocionante mundo del machine learning aplicado. Aunque no te bombardea con algoritmos complejos, se trata del “cómo” y el “qué” de resolver problemas del mundo real utilizando machine learning y deep learning. Si estás ansioso por cerrar la brecha entre la teoría y la práctica, ¡este libro será definitivamente tu guía!
Temas cubiertos:
- Aprendizaje supervisado vs no supervisado
- Técnicas de validación cruzada
- Métricas de evaluación
- Estructuración de proyectos de machine learning
- Manejo de variables categóricas
- Ingeniería de características
- Selección de características
- Optimización de hiperparámetros
- Clasificación de imágenes y texto, ensamblaje y código reproducible
Conclusión
En este artículo, te presentamos los cinco mejores libros para aprender machine learning en 2023. Estos libros cubren una amplia gama de temas, desde los fundamentos del machine learning hasta temas más avanzados como el deep learning. Todos están bien escritos y son fáciles de seguir, incluso para principiantes.
Si te tomas en serio aprender machine learning, te animo a leer los cinco libros. Sin embargo, si solo puedes leer uno o dos, te recomiendo Machine Learning for Absolute Beginners de Oliver Theobald y Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow de Aurélien Géron.
Estamos curiosos por saber qué libros han tenido un papel fundamental en tu viaje de machine learning. Siéntete libre de compartir tus recomendaciones en la sección de comentarios.
[Kanwal Mehreen](https://www.linkedin.com/in/kanwal-mehreen1/) es una aspirante a desarrolladora de software con un gran interés en la ciencia de datos y las aplicaciones de IA en medicina. Kanwal fue seleccionada como Google Generation Scholar 2022 para la región de APAC. Kanwal adora compartir conocimientos técnicos escribiendo artículos sobre temas de tendencia y está comprometida en mejorar la representación de las mujeres en la industria tecnológica.
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Explora las capacidades mejoradas de validación de datos de Pydantic V2
- Una guía universal para la ingeniería rápida el Marco de Andamios Contextuales (CSF)
- Las fronteras éticas de la IA generativa Introducción e importancia
- Revolucionando el ajuste fino del modelo de lenguaje logrando ganancias sin precedentes con las incrustaciones ruidosas de NEFTune
- ¿Cómo pueden las representaciones visuales pre-entrenadas ayudar a resolver la manipulación a largo plazo? Conoce Universal Visual Decomposer (UVD) Un método listo para usar para identificar submetas a partir de videos.
- Esta investigación de IA presenta ‘RAFA’ un marco de inteligencia artificial basado en principios para agentes LLM autónomos con eficiencia de muestra demostrable.
- Revolucionando el análisis de documentos conozca DSG, el primer sistema entrenable de principio a fin para la extracción de estructuras jerárquicas