Machine Learning

Guía práctica de perfil técnico publicada por Wiley (primera edición escrita por Jason Bell) concebida para acercar el aprendizaje automático a ingenieros de software, programadores y arquitectos de sistemas sin formación matemática especializada. El autor prescinde deliberadamente de demostraciones algebraicas complejas para enfocarse en la comprensión funcional de los algoritmos y su incorporación en flujos de desarrollo tradicionales. Está pensada para profesionales técnicos de nivel básico a intermedio que conocen lenguajes como Java, Scala, Python o R y desean integrar capacidades predictivas en arquitecturas de backend y Big Data.

El libro recorre los algoritmos clásicos supervisados y no supervisados: árboles de decisión, redes bayesianas, redes neuronales artificiales, máquinas de vectores de soporte (SVM), reglas de asociación con el algoritmo Apriori y agrupamiento k-means. Detalla herramientas y plataformas clave del ecosistema de datos de la época, incluyendo la biblioteca Weka, Apache Hadoop (con procesamiento batch mediante MapReduce), Apache Spark (utilizando Spark SQL, Spark Streaming y MLlib), Spring XD para el procesamiento en tiempo real, scripts en lenguaje R mediante RStudio y la ingestión de datos a través de la API de Twitter.

A lo largo de los capítulos se aprende a preparar y limpiar conjuntos de datos masivos y a construir canalizaciones de predicción tanto por lotes como en streaming para eventos en vivo. El principal mérito del texto es conectar la ingeniería de software con la analítica predictiva a escala empresarial, aunque herramientas como Spring XD o versiones tempranas de Hadoop y Spark deben contextualizarse con sus reemplazos modernos en la actualidad. Resulta un recurso formativo valioso para desarrolladores de backend que buscan entender cómo operan los pipelines analíticos de extremo a extremo.