Si eres un entusiasta de la ciencia de datos como yo, sabes que comprender las matemáticas detrás de los algoritmos es clave para desbloquear todo el potencial del aprendizaje automático. Es por eso que recomiendo encarecidamente «Ciencia de datos y métodos matemáticos y estadísticos de aprendizaje automático», un libro que profundiza en los fundamentos matemáticos de la ciencia de datos.
Lo que distingue a este libro es su perfecto equilibrio entre profundidad y accesibilidad. Comienza con los conceptos básicos de importación, resumen y visualización de datos antes de sumergirse en el aprendizaje estadístico y el papel central que juegan las propiedades lineales y gaussianas en el modelado de datos. Aprenderá sobre aprendizaje bayesiano, métodos de Monte Carlo, técnicas de aprendizaje no supervisado como estimación de densidad y agrupación, y mucho más.
El capítulo sobre modelos de regresión es particularmente valioso, ya que explica las ideas matemáticas detrás de los modelos lineales fundamentales, así como modelos lineales generalizados y no lineales más complejos. El libro también cubre métodos de regularización y kernel, técnicas de clasificación como Naive Bayes y máquinas de vectores de soporte, árboles de decisión y métodos de conjunto.
Pero quizás la sección más emocionante del libro es la del aprendizaje profundo, que presenta la rica clase de funciones de aproximación llamadas redes neuronales. El estilo de escritura claro y atractivo del autor hace que incluso los conceptos más complejos sean comprensibles, y los ejercicios al final de cada capítulo son una excelente manera de solidificar su comprensión.
Puede descargar una versión gratuita en PDF del libro desde el sitio del autor o comprarlo en Amazon. Recomiendo encarecidamente «Ciencia de datos y métodos matemáticos y estadísticos de aprendizaje automático» como una lectura obligada para cualquiera que busque profundizar su comprensión de las matemáticas detrás de la ciencia de datos y el aprendizaje automático.