RECURSOS
Tutorial de deep learning con PyTorch.
Programación diferenciable y sistemas dinámicos. Mecanismos de atención e interpretabilidad en machine learning.
Redes convolucionales, entrenamiento, teoría de la información e invarianza traslacional.
Procesamiento de lenguaje natural. De los word embeddings hasta BERT.
Machine learning en finanzas y ciberseguridad. Relación con neurociencias.
Complejidad computacional.
LIBROS INTERESANTES
Deep learning
Deep learning. Ian Goodfellow, Yoshua Bengio y Aaron Courville.
Sin duda se ha convertido en una obra de referencia de deep learning. Ideal para investigadores y programadores con una base de álgebra lineal y estadística y con conocimientos previos de machine learning. Cubre desde aspectos generales como estadística, teoría de probabilidad, álgebra, … hasta temas actuales como aprendizaje de representaciones o transfer learning. Sin olvidar las redes convolucionales y las redes recurrentes.
Deep learning with Python. François Chollet.
Libro muy práctico que enseña muchos ejemplos de deep learning con Keras, librería creada por el autor del libro. Es ideal para gente con conocimientos teóricos de deep learning que quieran empezar a practicar o para programadores que quieran iniciarse ya que el libro no entra en explicaciones teóricas.
Deep learning with PyTorch. Eli Stevens y Luca Antiga.
Nuevo libro para aprender a diseñar modelos de deep learning usando PyTorch. Es ideal para el que tenga conocimientos de Python y quieran aprender a usar una de las librerías más flexibles y con más futuro como es PyTorch.
Libro muy práctico, recomendado para poder tener ejemplos de las últimas técnicas de deep learning como CNN, RNN, LSTM, etc. con el código en Keras y una explicación del mismo. El libro no explica, ni siquiera intuitivamente, los conceptos teóricos. Por eso es ideal para lectores que sólo quieran practicar.
Deep Learning with Python. A Hands-on Introduction. Nihkil Ketkar.
Este libro tiene un balance ideal entre teoría y práctica. Da una explicación teórica de las CNN, RNN, el descenso por gradiente estocástico, etc. combinado con una introducción a Keras, Theano y Caffe.
Machine learning
Hands-On Machine Learning with Scikit-Learn and TensorFlow. Aurélien Géron.
Estupendo libro sobre machine learning usando scikit-learn y tensorflow con multitud de ejemplos. Es muy completo tanto desde el punto de vista de los algoritmos tratados (desde árboles de decisión hasta reinforcement learning pasando por deep learning) como de los ejemplos y el código aportado. Es de marcado enfoque práctico ya que los conceptos se estudian de una manera intuitiva y poco teórica.
Pattern Recognition and Machine Learning. Christopher Bishop.
Este libro es un clásico del aprendizaje estadístico. Hace una exposición teórica clara de muchas técnicas de machine learning como regresión lineal, regresión logística, redes neuronales, SVM, redes bayesianas, etc. Ideal para lectores que quieran conocer el detalle teórico de dichas técnicas.
Machine Learning in Action. Peter Harrington.
Buen libro para empezar a programar en Python diversas técnicas de machine learning. El libro está enfocado en las aplicaciones y no entra en el detalle teórico. Ideal para el que sepa Python y quiera aplicar un algoritmo de machine learning sin conocer la teoría.
The Elements of Statistical Learning. Data Mining, Inference, and Prediction. Trevor Hastie, Robert Tibshirani y Jerome Friedman.
Este libro contiene un tratamiento matemático preciso del machine learning desde el punto de vista estadístico. Realiza una exposición fundada y justificada de los principales algoritmos de machine learning.
Gran libro del padre de la teoría del aprendizaje estadístico y del creador de las SVM (Support Vector Machines). Explica con rigor las bases sobre las que se asienta el aprendizaje estadístico. Ideal para lectores que quieran tener una justificación teórica del problema del aprendizaje y la generalización.
Understanding Machine Learning. From Theory to Algorithms. Shai Shalev-Shwartz, Shai Ben-David.
Buen libro teórico sobre los fundamentos del machine learning y los principales algoritmos utilizados. Para quienes quieran aprender machine learning desde la base, entendiendo las justificaciones teóricas. Tiene capítulos que no suelen aparecer en otros libros como la complejidad computacional del aprendizaje, los problemas convexos, el teorema de “no free lunch” y la navaja de Ockham en el aprendizaje estadístico.
Procesamiento del lenguaje natural
Foundations of Statistical Natural Language Processing. Christopher Manning.
Este libro es un clásico del procesamiento de lenguaje natural estadístico. Escrito por uno de los grandes de la materia como Manning el libro contiene desde los fundamentos matemáticos y lingüísticos hasta diferentes métodos como N-gram, análisis de palabras o los modelos de Markov. Ideal para los lectores que quieran tener una buena base en procesamiento de lenguaje natural.
Natural Language Processing with Python. Steven Bird, Ewan Klein y Edward Loper.
Este libro es muy recomendable porque es muy práctico y a la vez explica muy bien los conceptos del procesamiento del lenguaje natural. Se basa en la librería de Python NLTK (Natural Language Toolkit) y cubre desde etiquetado de palabras hasta análisis sintáctico y semántico de texto. Ideal para los que quieran descubrir el mundo del procesamiento de lenguaje natural de una manera práctica.
Natural Language Processing with PyTorch. Delip Rao y Brian McMahon.
Libro que sirve tanto para adquirir las técnicas más conocidas de procesamiento de lenguaje como word embeddings, seq-to-seq, etc. como conocer como implantarlas usando una librería tan flexible y dinámica como PyTorch.
Deep Learning in Natural Language Processing.
Este libro, que está en preventa, parece que va a cubrir la necesidad de libros que traten el procesamiento de lenguaje desde el punto de vista de deep learning. Será una colección de capítulos de investigación que tratarán temas de reconocimiento de habla, sistemas de diálogo, traducción automática, análisis sintáctico, análisis de sentimiento. Sin duda este libro será de gran valor.
Neural Network Methods for Natural Language Processing. Yoav Goldberg.
Buen libro que cubre desde lo básico de las redes neuronales hasta las arquitecturas empleadas en procesamiento de lenguaje natural como redes recurrentes, LSTM, redes convolucionales. Hace especial énfasis en los features y word embeddings. Ideal para los que quieran introducirse en el campo del deep learning para procesamiento de lenguaje natural.
Estadística
Statistical Inference. Roger L. Berger.
Uno de los mejores libros de estadística teórica e inferencia estadística. Ideal si se quiere tener un conocimiento completo y rigoroso de teoría de probabilidades, reducción de datos, estimación puntual, contraste de hipótesis, etc. Utiliza el enfoque ortodoxo y sólo describe brevemente el enfoque bayesiano.
Bayesian Data Analysis. Andrew Gelman, John Carlin, Hal Stern, David Dunson, Aki Vehtari y Donald Rubin.
Libro de referencia de la estadística bayesiana. Contiene desde una introducción a la probabilidad hasta modelos jerárquicos pasando por simulaciones de monte carlo basadas en cadenas de markov. Indicado para los que quieran tener a mano las principales técnicas bayesianas descritas con rigor y profundidad.
Bayesian Analysis with Python. Osvaldo Martin.
Libro práctico para aprender a deninir modelos bayesianos usando la librería PyMC3 de Python. Cubre la implementación práctica de modelos de regresión lineal, regresión logística, multiparamétricos y jerárquicos. Ideal para los que deseen un enfoque práctico sin detenerse demasiado en la teoría.
