Introducción
Entonces, ¿le encanta leer pero no puede permitirse gastar demasiado dinero en libros? Gran parte de los libros de ciencia de datos y aprendizaje automático que existen caen en la categoría de costosos. Es justo, dada la cantidad de pensamiento y esfuerzo que se dedica a escribirlos y publicarlos.
Pero hay algunas almas amables que han puesto su trabajo a disposición de todos … ¡gratis! Si desea convertirse en científico de datos o ingeniero de inteligencia artificial, no podría haber pedido más.
Aquí hay una colección de 10 de estos libros electrónicos gratuitos sobre aprendizaje automático. Comenzamos la lista yendo desde los conceptos básicos de las estadísticas, luego los fundamentos del aprendizaje automático y finalmente el aprendizaje automático avanzado.
Para acceder a los libros, haga clic en el nombre de cada título en la lista a continuación.
Autor: Allan B. Downey
‘Think Stats’ es un libro introductorio a la estadística y la probabilidad para personas con conocimientos básicos de programación en Python. Se basa en una biblioteca de Python para distribuciones de probabilidad (PMF y CDF). Para facilitarle las cosas al lector, la mayoría de los ejercicios tienen programas cortos. El libro también incluye un estudio de caso que utiliza datos de los Institutos Nacionales de Salud.
Una de las características más destacadas de este libro es que también cubre los conceptos básicos de la estadística bayesiana, una rama muy importante para cualquier aspirante a científico de datos.
Autor: David Barber
Hablando de estadísticas bayesianas, este es un clásico. Esto adopta un enfoque de estadísticas bayesianas para el aprendizaje automático. Un libro que vale la pena consultar para cualquiera que se adentre en el campo del aprendizaje automático.
Autores: Gareth James, Daniela Witten, Trevor Hastie y Robert Tibshirani
Una de las entradas más populares de esta lista, es una introducción a la ciencia de datos a través del aprendizaje automático. Este libro ofrece una guía clara sobre cómo implementar métodos estadísticos y de aprendizaje automático para los recién llegados a este campo. Está lleno de ejemplos prácticos del mundo real de dónde y cómo funcionan los algoritmos.
Para aquellos con una inclinación hacia la programación en R, este libro incluso tiene ejemplos prácticos en R. En caso de que no sea un programador, no deje que eso lo desanime. Este libro es una joya.
Autores: Shai Shalev-Shwartz y Shai Ben-David
Este libro ofrece una introducción estructurada al aprendizaje automático. Analiza las teorías fundamentales del aprendizaje automático y las derivaciones matemáticas que transforman estos conceptos en algoritmos prácticos. Después de eso, cubre una lista de algoritmos ML, que incluyen (pero no se limitan a), descenso de gradiente estocástico, redes neuronales y aprendizaje de salida estructurado.
Autor: Ron Zacharski
Lo que me gusta de este libro son los capítulos que cubren los sistemas de recomendación. Se necesita una mirada divertida y visualmente entretenida sobre el filtrado social y los métodos de filtrado basados en elementos y cómo usar el aprendizaje automático para implementarlos. También se tratan otros conceptos como Naive Bayes y Clustering. Hay un capítulo sobre texto no estructurado y cómo tratarlo, en caso de que esté pensando en entrar en el procesamiento del lenguaje natural.
Los ejemplos en Python también están disponibles en caso de que desee practicar.
Autores: Anand Rajaraman y Jeffrey David Ullman
A medida que avanza la era de Big Data, la extracción de datos para obtener información procesable es una habilidad muy buscada. Este libro se centra en los algoritmos que se han utilizado anteriormente para resolver problemas clave en la minería de datos y que se pueden utilizar incluso en los conjuntos de datos más gigantescos.
Autor: David Kriesel
Si está interesado en las redes neuronales, este libro es para usted. Comienza cubriendo la historia de las redes neuronales antes de profundizar en las matemáticas y la explicación detrás de los diferentes tipos de NN. El autor espera que el lector tenga conocimientos básicos de álgebra lineal y cálculo.
Autores: Ian Goodfellow, Yoshua Bengio y Aaron Courville
Este es probablemente uno de los libros más completos escritos por personas distinguidas en el campo del aprendizaje profundo. Se tratan en detalle conceptos como los métodos Monte Carlo, redes recurrentes y recursivas, codificadores automáticos y modelos generativos profundos (entre otros).
Autores: Steven Bird, Ewan Klein y Edward Loper
Las personas interesadas en introducirse en el procesamiento del lenguaje natural deberían leer este libro. Está escrito de manera lúcida y clara con códigos extremadamente bien presentados en Python. Los lectores tienen acceso a conjuntos de datos bien anotados para analizar y tratar datos no estructurados, estructura lingüística en texto, entre otras cosas de PNL.
Autor: Andrew Ng
Ninguna lista de aprendizaje automático está completa sin mencionar a Andrew Ng. Según él, este libro ayudará al lector a ponerse al día con la construcción de sistemas de IA. Le enseñará eficazmente cómo tomar las diversas decisiones necesarias para organizar un proyecto de aprendizaje automático.
El libro todavía se actualiza con regularidad y puede registrarse en el sitio para recibir actualizaciones a medida que se publica cada capítulo.
Esperamos que esta lista le haya resultado útil. En caso de que conozca otros libros gratuitos que haya leído o esté planeando leer, háganoslo saber en los comentarios a continuación.
