Machine Learning in Action

Manual introductorio y clásico de referencia escrito por Peter Harrington que desmitifica el aprendizaje automático enseñando a programar los algoritmos más representativos directamente en Python utilizando NumPy, sin apoyarse en librerías prediseñadas de alto nivel como scikit-learn. Está orientado a programadores, ingenieros de software y entusiastas de los datos de nivel principiante a intermedio que cuentan con nociones elementales de estructuras de datos y lógica en Python, pero carecen de una base matemática formal o conocimientos previos en estadística avanzada.

El libro expone de manera pragmática los métodos centrales del machine learning distribuidos en cuatro partes: clasificación supervisada ($k$-Nearest Neighbors, árboles de decisión ID3, clasificación bayesiana con Naive Bayes, regresión logística con optimización de gradiente, Support Vector Machines con el algoritmo SMO de Platt y ensembles con AdaBoost); predicción de variables numéricas continuas (regresión lineal múltiple por mínimos cuadrados, regresión ponderada localmente LWLR, Ridge Regression, Lasso y árboles de regresión CART); minería y aprendizaje no supervisado (agrupamiento $k$-Means, extracción de reglas de asociación con Apriori y árboles de patrones frecuentes FP-Growth); y herramientas complementarias para simplificación y escala de datos (PCA, descomposición en valores singulares SVD y procesamiento distribuido de datos masivos con MapReduce a través de la librería mrjob).

Cada técnica se explica con la matemática estrictamente necesaria y se traslada inmediatamente a casos prácticos de la vida real: emparejamiento de perfiles en plataformas de citas, reconocimiento óptico de dígitos manuscritos, filtrado automático de spam y clasificación de anuncios clasificados, estimación de supervivencia del cólico equino, predicción de precios de conjuntos de Lego y sistemas de recomendación de platos en restaurantes. Aunque fue publicado originalmente en el entorno de Python 2 y no cubre arquitecturas de deep learning contemporáneas, aporta una intuición incalculable sobre el comportamiento interno de los algoritmos que sustenta cualquier aprendizaje moderno.