Machine Learning with Python Cookbook, 2nd Edition

Segunda edición (publicada por O'Reilly en 2023) del consolidado recetario técnico de Chris Albon, actualizada y ampliada por Kyle Gallatin para incorporar las herramientas y bibliotecas predominantes en el ecosistema actual de Python (Python 3.10+). El libro está concebido para programadores, analistas y científicos de datos de nivel intermedio que conocen la sintaxis del lenguaje y buscan soluciones de código probadas, concisas y directas para resolver incidencias cotidianas en la preparación de datos, la construcción de modelos y el aprendizaje profundo.

Estructurado en un formato pragmático de problema, solución y análisis, incluye más de 200 recetas prácticas que utilizan la pila científica de Python: manipulación matricial con NumPy, filtrado y transformación con Pandas, y procesamiento de imágenes con OpenCV. En el plano del modelado predictivo clásico, explora Scikit-Learn para codificación de variables categóricas, escalado, reducción de dimensionalidad (PCA), selección de características, validación cruzada y afinación de hiperparámetros, cubriendo modelos como regresión lineal y logística, árboles de decisión, Random Forests, máquinas de vectores de soporte (SVM) y agrupamiento (clustering). La mayor renovación frente a la primera edición es la adopción de PyTorch como marco principal para el diseño y entrenamiento de redes neuronales (sustituyendo a Keras), la inclusión de tareas de procesamiento de lenguaje natural con transformadores de Hugging Face y pautas para serializar y servir modelos con Joblib y ONNX.

El volumen no sigue un proyecto único de principio a fin, sino que cada receta funciona de forma autónoma con conjuntos de datos de prueba o sintéticos, lo que facilita copiar, comprender y adaptar el código a proyectos reales en cuestión de minutos. Su valor estriba en su inmediatez y claridad expositiva, justificando los parámetros técnicos de cada llamada y advirtiendo sobre errores comunes. No profundiza en fundamentos matemáticos teóricos ni en arquitecturas de despliegue a gran escala, resultando el manual de referencia idóneo para agilizar el trabajo diario de modelado.