Machine Learning Refined

Texto académico de referencia universitaria elaborado por Jeremy Watt, Reza Borhani y Aggelos K. Katsaggelos bajo el sello de Cambridge University Press, que presenta los fundamentos del aprendizaje automático unificados bajo un prisma geométrico y de optimización matemática. En lugar de tratar los algoritmos como una colección inconexa de recetas, los autores demuestran cómo la regresión, la clasificación y el agrupamiento se derivan de la minimización de funciones de coste. El libro está concebido para estudiantes universitarios avanzados de ingeniería, matemáticas o ciencias de la computación, así como profesionales de datos que cuenten con una base firme en cálculo multivariable, álgebra lineal y programación en Python o MATLAB/Octave.

El temario comienza con un desglose riguroso de la optimización numérica: técnicas de orden cero (métodos sin derivadas), algoritmos de primer orden (descenso de gradiente, variantes con subgradientes y tasas adaptativas) y métodos de segundo orden (método de Newton y algoritmos quasi-Newton). A partir de estos fundamentos, analiza la regresión lineal por mínimos cuadrados y la clasificación lineal de dos clases y multiclase (regresión logística, perceptrón y Support Vector Machines / SVM). Luego aborda el aprendizaje no supervisado lineal mediante análisis de componentes principales (PCA), clustering K-Means y factorización matricial, para culminar con métodos a gran escala: ingeniería de características no lineales con métodos kernel (RBF), redes neuronales multicapa con retropropagación (backpropagation) y árboles de decisión con ensamblados (random forests y boosting). Las implementaciones se realizan a nivel matemático de base utilizando Python (con NumPy y Matplotlib) y scripts de MATLAB.

El aprendizaje se asienta resolviendo demostraciones formales y programando de raíz los algoritmos de optimización y clasificación en cuadernos prácticos, sin apoyarse en librerías de alto nivel como scikit-learn. Su valor radica en consolidar una comprensión conceptual y matemática insustituible, respaldada por cientos de ilustraciones que clarifican la intuición geométrica de las superficies de coste y los hiperplanos separadores. Deja fuera el despliegue de modelos en producción, el procesamiento distribuido y los entornos modernos de deep learning con GPU (como TensorFlow o PyTorch). Resulta imprescindible dominar operaciones con matrices y derivadas parciales para aprovecharlo plenamente.