</> CodeBooks
    ← Volver a IA: fundamentos y aplicaciones (página 3)
    Portada de Grokking AI Algorithms, 2nd Edition

    Grokking AI Algorithms, 2nd Edition

    Rishal Hurbans

    Editorial
    Manning
    Año
    2026
    Páginas
    ~594
    Nivel
    Intermedio

    De qué trata

    Segunda edición completamente actualizada de la guía visual creada por Rishal Hurbans para asimilar los principios mecánicos y matemáticos detrás de los algoritmos de inteligencia artificial sin abrumar al lector con formalismos abstractos. Publicado por Manning en 2026, el libro aborda desde la algoritmia clásica hasta la inteligencia artificial generativa moderna con soporte de código en Python 3. Está dirigido a desarrolladores de software, estudiantes de ciencias de la computación y profesionales técnicos de nivel intermedio que conocen fundamentos básicos de programación y buscan entender con claridad intuitiva cómo razonan, aprenden y optimizan las máquinas.

    El texto cubre un espectro muy amplio estructurado con diagramas minuciosos, pseudocódigo y ejemplos ejecutables. Explora búsqueda no informada e inteligente (BFS, DFS, A*, minimax y poda alfa-beta), algoritmos evolutivos (algoritmos genéticos y programación genética) e inteligencia de enjambre (colonias de hormigas y optimización por enjambre de partículas). Continúa con los pilares del aprendizaje automático clásico, redes neuronales multicapa con retropropagación (backpropagation) y aprendizaje por refuerzo mediante Q-learning. Como gran novedad de esta edición, añade capítulos dedicados a modelos de lenguaje grande (LLMs, autoatención en Transformers, tokenización y embeddings) y modelos generativos de imágenes basados en difusión (Diffusion Models), utilizando Python y referencias prácticas a PyTorch.

    A través de ejercicios lúdicos, simulaciones paso a paso y retos de código, el lector ejercita la resolución de problemas clásicos como navegación en laberintos, planificación de rutas, optimización del problema del viajante y entrenamiento de agentes para toma de decisiones autónomas. Su principal virtud es desmitificar la caja negra de la IA moderna a través de analogías visuales memorables y matemáticas accesibles de nivel secundario. No persigue construir aplicaciones web de usuario final ni arquitecturas de software empresarial; su foco es la comprensión profunda del algoritmo mismo antes de delegarlo a librerías de alto nivel.

    • Algoritmos de IA
    • Búsqueda heurística
    • Algoritmos genéticos
    • Optimización por enjambre
    • Redes neuronales
    • Aprendizaje por refuerzo
    • Q-learning
    • Transformers
    • LLMs
    • Modelos de difusión
    • Python

    ¿Cómo enseña?

    TeóricoPráctico

    Teoría + práctica

    • ✓ Incluye ejercicios
    • ✗ Sin proyectos

    Más de IA: fundamentos y aplicaciones con nivel Intermedio