Pro Machine Learning Algorithms

Obra analítica y formativa en la que V Kishore Ayyadevara desglosa la anatomía matemática y algorítmica interna de los principales métodos de machine learning y deep learning. Está pensada para científicos de datos, analistas cuantitativos y desarrolladores de nivel intermedio que ya conocen las llamadas básicas a funciones de alto nivel en Python o R, pero que necesitan comprender qué ocurre por debajo de la 'caja negra' para diagnosticar fallos y afinar hiperparámetros con precisión matemática.

El texto desmenuza el funcionamiento y cálculo detallado de una amplia gama de algoritmos: regresión lineal y logística; árboles de decisión, Random Forest y Gradient Boosting Machines (GBM y AdaBoost); redes neuronales artificiales densas (ANN), convolucionales (CNN) y recurrentes (RNN); incrustaciones semánticas con Word2vec; técnicas de agrupamiento como K-Means y clustering jerárquico; reducción de dimensionalidad con PCA; y sistemas de recomendación por filtrado colaborativo y factorización matricial. Para codificar cada solución, el autor guía implementaciones en Python (utilizando NumPy, pandas, scikit-learn y Keras/TensorFlow) y en el lenguaje estadístico R, cerrando con pautas para desplegar estos modelos en nubes públicas como AWS, Azure y Google Cloud Platform.

La particularidad pedagógica del libro es su enfoque práctico apoyado en ejercicios numéricos: antes de presentar el código, cada algoritmo se formula y ejecuta paso a paso en hojas de cálculo de Microsoft Excel, permitiendo visualizar cómo varían las derivadas, los gradientes, las matrices de confusión y las funciones de pérdida en cada iteración. No está orientado a construir aplicaciones de software complejas de extremo a extremo ni herramientas web interactivas, sino a proporcionar un dominio profundo de los parámetros de calibración. Es una lectura muy clarificadora que conviene abordar con conocimientos previos de álgebra lineal, cálculo diferencial básico y estadística descriptiva.