Data Science from Scratch

Manual formativo y fundacional en el que Joel Grus enseña la esencia matemática y algorítmica de la ciencia de datos programando cada concepto desde sus primeros principios, sin esconderse tras librerías prefabricadas. La primera edición de 2015 está construida principalmente con Python 2.7 (incorporando anotaciones de compatibilidad hacia Python 3.4) y utiliza únicamente la librería matplotlib para trazar gráficos, descartando explícitamente paquetes como NumPy, pandas o scikit-learn. Está dirigido a programadores principiantes y estudiantes con curiosidad analítica que ya conocen la sintaxis básica de Python y desean entender con exactitud cómo operan por dentro los algoritmos antes de utilizarlos como cajas negras.

Tras un curso intensivo de Python y un repaso de álgebra lineal, estadística descriptiva y probabilidad, la obra implementa paso a paso vectores, matrices, distribuciones continuas, contraste de hipótesis y optimización numérica con descenso de gradiente. Con esas bases construidas a mano, el autor implementa los principales modelos del aprendizaje automático: k-vecinos más cercanos (k-NN), clasificación probabilística con Naive Bayes, regresión lineal simple y múltiple, regresión logística, árboles de decisión con cálculo de entropía, redes neuronales multicapa con perceptrones y retropropagación (backpropagation), y agrupamiento con k-means. También cubre técnicas de recolección de datos (web scraping y consumo de APIs), sistemas de recomendación colaborativos, análisis de grafos y centralidad en redes, y conceptos de bases de datos y MapReduce.

La narrativa se desarrolla en torno a «DataSciencester», una red social hipotética para científicos de datos cuyos problemas de negocio (sugerir conexiones entre usuarios, predecir suscripciones de pago y clasificar mensajes como spam) sirven de pretexto para aplicar cada algoritmo implementado. La gran aportación del libro es disipar el misterio de los algoritmos de machine learning mostrando que son matemáticas accesibles traducidas a código Python legible. Conviene tener en cuenta que las implementaciones son estrictamente pedagógicas y carecen de la optimización y velocidad del software de producción moderno, por lo que su cometido es formar criterio y fundamentos sólidos antes de saltar a librerías industriales.