Entendiendo el aprendizaje automático: de la teoría a los algoritmos [eBook gratis de 449 páginas]

• "Understanding Machine Learning", escrito por Shai Shalev-Shwartz y Shai Ben-David, es un libro publicado por Cambridge University Press en 2014
• Trata los fundamentos teóricos y los algoritmos del aprendizaje automático.
• Con autorización de Cambridge University Press, se publicó el PDF del manuscrito y solo puede descargarse para uso personal
• No es para distribución

[GN⁺]

Opiniones en Hacker News

• Si quieres entender machine learning, recomiendo "The StatQuest Illustrated Guide to Machine Learning" de Josh Starmer

  • Starmer es un excelente profesor que expresa ideas complejas de forma clara y concisa
  • Este libro está escrito en un formato tan fácil de leer y entender como un libro para niños
  • También publicó un libro sobre redes neuronales y ofrece métodos de enseñanza y comunicación útiles incluso para expertos

• Si quieres entender las bases del machine learning, recomiendo "Probability for computer scientists" de Stanford

  • Trata la teoría de probabilidad y los fundamentos teóricos del machine learning
  • Las clases de Andrew Ng también son famosas, pero requieren conocimientos previos de matemáticas
  • El material del curso CS109 se puede descargar en PDF
  • "Learning from Data" de Caltech también es bueno para una comprensión teórica
  • Si quieres entender las redes neuronales desde cero, recomiendo "Neural networks zero to hero"

• Personalmente, la clase de machine learning de Bloomberg es mi favorita

• Si quieres aprender sobre la IA generativa moderna, recomiendo "udlbook"

• Me pregunto si un ingeniero de software realmente necesita entender a fondo los conceptos de machine learning si no hace investigación

  • Siento una brecha de negocio en lo necesario para implementar AI/ML
  • En vez de desarrollar directamente un modelo para un negocio básico, quizá sea más adecuado ajustar ligeramente un modelo existente

• Como libro introductorio a la teoría del machine learning, la teoría del aprendizaje estadístico es la más accesible

• El mayor desafío de los modelos de ML no es el algoritmo, sino la organización del conocimiento contextual

  • Estructurar jerárquicamente los documentos mejora mucho los resultados

• El libro que leí hace mucho tiempo es teórico y casi no se enfoca en aplicaciones

  • Fue publicado en 2014 y hoy está desactualizado
  • La teoría matemática no resulta realmente útil, y un enfoque práctico es más importante
  • El machine learning no es matemáticas ni ciencias de la computación teóricas, sino una rama de la ingeniería

• Este libro fue publicado en 2014; me pregunto si todavía sigue siendo relevante

• Como el libro fue publicado hace 10 años, creo que ya está desactualizado