Recursos

Bibliografía

Textos base

• Abu-Mostafa, Magdon-Ismail y Lin (2012). Learning From Data: A Short Course. AMLBook. Corto y riguroso; es la referencia principal de la Unidad 3.
• James, Witten, Hastie, Tibshirani y Taylor (2023). An Introduction to Statistical Learning with Applications in Python. Springer. Muy accesible, con laboratorios en Python.
• Hastie, Tibshirani y Friedman (2009). The Elements of Statistical Learning, 2.ª ed. Springer. La referencia clásica para profundizar.

Complementarios

• Bishop (2006). Pattern Recognition and Machine Learning. Springer. El enfoque probabilístico.
• Murphy (2022). Probabilistic Machine Learning: An Introduction. MIT Press.
• Shalev-Shwartz y Ben-David (2014). Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press. Teoría del aprendizaje para ir más a fondo.
• Prince (2023). Understanding Deep Learning. MIT Press.
• Goodfellow, Bengio y Courville (2016). Deep Learning. MIT Press.
• Hyndman y Athanasopoulos (2021). Forecasting: Principles and Practice, 3.ª ed. OTexts. Series de tiempo.
• Huyen (2022). Designing Machine Learning Systems. O’Reilly. Sistemas en producción.
• Molnar (2022). Interpretable Machine Learning, 2.ª ed. Interpretabilidad.
• Barocas, Hardt y Narayanan (2023). Fairness and Machine Learning. MIT Press. Equidad.
• Géron (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3.ª ed. O’Reilly. Muy práctico.

Sitios en línea

Una selección de material gratuito y de buena calidad para repasar un tema, verlo desde otro ángulo o ir más lejos. Casi todo está en inglés.

Libros gratuitos en línea

• An Introduction to Statistical Learning: el PDF completo, con la edición en Python y videos de los autores.
• The Elements of Statistical Learning: el PDF del libro clásico, para profundizar.
• Understanding Machine Learning: el PDF del libro de teoría del aprendizaje de Shalev-Shwartz y Ben-David.
• Mathematics for Machine Learning: álgebra lineal, cálculo y probabilidad con la mira puesta en el aprendizaje automático.
• Probabilistic Machine Learning: el libro de Murphy, con el enfoque probabilístico.
• Understanding Deep Learning: el libro de Prince, con libretas en Python para cada capítulo.
• Dive into Deep Learning: aprendizaje profundo con código en PyTorch en cada sección.
• Forecasting: Principles and Practice, the Pythonic Way: series de tiempo, en Python. La versión original en R es la referencia clásica.
• Interpretable Machine Learning: permutación, dependencia parcial, SHAP y más.
• Fairness and Machine Learning: equidad y sesgo en los modelos.
• Libretas de Hands-On Machine Learning: todo el código del libro de Géron, listo para Colab.

Cursos en video

• Learning from Data, de Yaser Abu-Mostafa (Caltech): el curso del libro de la Unidad 3, con las clases grabadas.
• Stanford CS229: el curso de aprendizaje automático de Stanford, con notas muy completas.
• Machine Learning Specialization, de Andrew Ng (Coursera): introductorio; se puede ver sin pagar.
• Curso de scikit-learn de Inria, hecho por los desarrolladores de la biblioteca.
• MIT 6.S191: introducción al aprendizaje profundo, actualizada cada año.
• Practical Deep Learning for Coders, de fast.ai: aprendizaje profundo empezando por la práctica.
• Neural Networks: Zero to Hero, de Andrej Karpathy: la retropropagación y los modelos de lenguaje programados desde cero.
• Made With ML: MLOps, del experimento al sistema en producción.
• Kaggle Learn: cursos cortos y prácticos que se resuelven en el navegador.

Para entender con dibujos

• 3Blue1Brown: redes neuronales: la mejor explicación visual de la retropropagación y los transformers.
• StatQuest: videos cortos y claros sobre casi todos los métodos del curso.
• Dot CSV: divulgación de aprendizaje automático e inteligencia artificial, en español.
• MLU-Explain: explicaciones interactivas de sesgo y varianza, validación cruzada, árboles, ROC y más.
• A Visual Introduction to Machine Learning: cómo un árbol de decisión parte los datos, animado.
• Seeing Theory: probabilidad y estadística con visualizaciones interactivas.
• TensorFlow Playground: entrena una red neuronal pequeña en el navegador y mira cómo cambia la frontera.
• CNN Explainer: qué pasa dentro de una red convolucional, capa por capa.
• The Illustrated Transformer: el mecanismo de atención, paso a paso.
• Distill: artículos de investigación escritos para entenderse, con figuras interactivas.

Documentación de las herramientas

• scikit-learn: la guía de usuario es excelente y muy didáctica.
• pandas
• PyTorch
• XGBoost y LightGBM
• statsmodels: modelos estadísticos y series de tiempo.
• MLflow
• MLlib de Spark: aprendizaje automático con datos que no caben en una computadora.

Entorno local

Todas las libretas corren en Google Colab sin instalar nada. Para trabajar en tu máquina, instala uv y ejecuta:

git clone https://github.com/ml-unison/ml-unison.github.io.git
cd ml-unison.github.io
uv sync            # crea el entorno con las versiones del curso
uv run jupyter lab

El entorno incluye todo lo del curso, también PyTorch, XGBoost, LightGBM, statsmodels y MLflow. En macOS, XGBoost necesita la biblioteca OpenMP: brew install libomp.

Conjuntos de datos

• UCI Machine Learning Repository
• OpenML, accesible desde sklearn.datasets.fetch_openml
• Kaggle Datasets
• Datos abiertos del Gobierno de México