Machine Learning Algorithms in Depth

Obra rigurosa y técnica escrita por Vadim Smolyakov que desentraña el funcionamiento interno de los algoritmos de aprendizaje automático a través de la formulación matemática y su implementación directa desde cero en Python 3. El libro está dirigido a científicos de datos, ingenieros de machine learning e investigadores de nivel intermedio a avanzado que dominan la programación en Python y cuentan con una base matemática sólida en álgebra lineal, cálculo multivariable y probabilidad aplicada, buscando trascender el uso de librerías como cajas negras.

El contenido abarca con profundidad algoritmos clásicos y modernos organizados en cuatro ejes: fundamentos teóricos y probabilísticos (cadenas de Márkov Monte Carlo o MCMC con muestreo de Gibbs y Metropolis-Hastings, inferencia variacional de campo medio y optimización bayesiana); algoritmos de clasificación y regresión (Perceptrón, Support Vector Machines con SGD, Naive Bayes, árboles CART, regresión bayesiana jerárquica y procesos gaussianos); técnicas avanzadas de supervisión y no supervisión (PageRank, Hidden Markov Models mediante Expectation-Maximization, DP-Means, GMM, PCA, t-SNE, LDA y ensambles como Bagging, Boosting y Stacking); y modelos de deep learning (perceptrón multicapa, redes convolucionales ResNet, redes recurrentes LSTM, Mixture Density Networks, VAEs, Transformers y Graph Neural Networks) usando librerías esenciales como NumPy, SciPy y PyTorch.

Cada técnica se deduce analíticamente y se programa paso a paso, aplicándose a problemas prácticos como eliminación de ruido en imágenes mediante el modelo Ising, clasificación visual sobre Caltech-101, análisis de sentimiento con LSTM, detección de anomalías temporales con LSTM-VAE y optimización de carteras financieras de inversión. Su gran valor reside en conectar de forma transparente las demostraciones matemáticas con código ejecutable y reproducible, dejando fuera temas operacionales de MLOps o computación distribuida. Conviene tener soltura previa manipulando tensores y deduciendo gradientes para asimilarlo completamente.