books and desk

Mis libros favoritos para aprender Machine Learning

Si estás buscando recursos para complementar tus cursos en línea o bien eres de los que les gusta aprender de libros, a continuación te dejo una lista de libros que he utilizado y que me ha ayudado muchísimo para afianzar los conceptos básicos de machine learning y data science.

Estos libros no solo te sirven para ampliar tu conocimiento, también puedes utililzarlos para armar tu portafolio e incluso tener una idea de cuales son las buenas prácticas que se siguen en la industria. 🌟

Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow

Autor: Aurélien Géron

hands on machine learning

Este es un libro ideal para entender los principios de los algorimos más utilizados de Machine Learning, desde Support vector machines, Decision Trees, Ensembles, y más. Todo con códigos y ejemplos ilustrativos que puedes replicar desde tu computadora.

Algo extra que me encanta de este libro, es que al final de cada capítulo tienen preguntas teóricas que te sirven para evaluar tu aprendizaje y también te dejan una especie de retos en código para que apliques estos conocimientos (y que una vez que los hagas, también pueden servir para armar tu portafolio).

Si te interesa, puedes adquirir el libro en este enlace y ver los ejercicios en GitHub aquí.

The Elements of Statistical Learning

Autores: Trevor Hastie, Robert Tibshirani, Jerome Friedman

statistical learning for machine learning

Una vez entiendas de forma general los algoritmos, seguir con este libro es una buena opción. Te explica de manera muy gráfica e intuitiva los fundamentos matemáticos y el por qué detrás de cada modelo.

Al finalizar cada capítulo puedes encontrar ejercicios teóricos y matemáticos, muy similares a los que normalmente tendrías en un curso universitario.

Como complemento, te recomiendo que visites este repositorio en GitHub que contiene la reproducción en Python de varios problemas que se tratan en el libro.

Machine Learning Design Patterns

Autores: Valliappa Lakshmanan, Sara Robinson, Michael Munn

machine learning design atters

El subtítulo del libro lo dice todo: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps. Este libro no está orientado a principiantes sino a personas que ya tienen cierta experiencia. Aún así, igual lo considero un buen recurso para quienes han hecho algunos proyectos.

Aquí puedes darte una idea de qué problemas puedes tener en la vida real y cómo solucionarlos. Además explican diversas maneras de abordar métodos de multilabel, rebalancing, hyperparameter tuning, y más. Todos explicados de forma intuitiva, con sus pros, contras y alternativas.

Todos los códigos del libro se encuentran disponibles en este repositorio de GitHub.

Si te quedaste con ganas de más, te recomiendo mucho este hilo en Twitter en donde abordan muchos más libros y recursos. Pero si has leído alguno de estos o si en cambio conoces otros buenos libros de machine learning, déjalo en los comentarios 💬

Deja un comentario