An Introduction to Machine Learning

Manual académico de introducción conceptual y matemática escrito por Miroslav Kubat (profesor en la Universidad de Miami) y publicado por Springer en 2015. Está concebido para estudiantes universitarios, programadores e ingenieros que dan sus primeros pasos en el aprendizaje automático y desean asimilar las bases lógicas de los algoritmos a través de explicaciones claras, representaciones geométricas y ejercicios resueltos a mano, sin atascarse en demostraciones de formalismo abstracto innecesario.

El temario ofrece un recorrido metódico y balanceado por 14 capítulos: búsqueda en espacio de estados con el algoritmo Hill-Climbing, teoría de probabilidades aplicada en clasificadores bayesianos y Naïve Bayes, estimación por similitud y métricas de distancia en clasificadores K-Nearest Neighbors (KNN), fronteras de separación lineal y polinomial con el Perceptrón, perceptrones multicapa y retropropagación en redes neuronales artificiales, inducción y poda en árboles de decisión, nociones de teoría del aprendizaje computacional (modelo PAC), técnicas de combinación de clasificadores mediante ensambles de votación (bagging y boosting), computación evolutiva con algoritmos genéticos y fundamentos de aprendizaje por refuerzo. Asimismo, profundiza en métricas de evaluación del rendimiento (matrices de confusión, curvas ROC, precisión, recall) y pruebas de significancia estadística.

Cada tema se cierra con preguntas de repaso conceptual, ejercicios analíticos para resolver sobre papel y tareas de programación («computer assignments») diseñadas para que el estudiante implemente los algoritmos desde cero con conjuntos de datos de prueba sencillos. Su gran cualidad radica en la claridad expositiva con la que desmenuza qué ocurre en el interior de cada modelo antes de utilizar librerías de alto nivel; como contrapartida, no incluye librerías modernas de Python (como scikit-learn o PyTorch) ni arquitecturas contemporáneas de deep learning, pero proporciona los cimientos teóricos indispensables para encarar cualquier especialización técnica posterior.