Python Machine Learning

Primera edición del texto clásico e influyente de Sebastian Raschka que introdujo a miles de profesionales en la aplicación práctica del aprendizaje automático con Python. Diseñado para programadores, analistas de datos e ingenieros de software con nivel básico o intermedio en Python y conocimientos matemáticos de nivel secundario o universitario inicial, el libro guía al lector desde los fundamentos conceptuales de los primeros clasificadores hasta el despliegue de modelos predictivos en la web.

El autor inicia construyendo neuronas artificiales desde cero (Perceptrón y Adaline) con NumPy y Matplotlib, para luego adentrarse en scikit-learn con modelos de regresión logística, máquinas de vectores de soporte (SVM lineales y con kernels), árboles de decisión, vecinos más cercanos y métodos de ensamble (Random Forest y AdaBoost). Enseña técnicas esenciales de preparación de datos, escalado, selección de características, reducción dimensional con PCA y LDA, validación cruzada y búsqueda en cuadrícula (Grid Search). Además, aborda el análisis de sentimientos con procesamiento de lenguaje natural sobre el dataset IMDb, la serialización de modelos con Pickle y SQLite para crear un servicio web con Flask, e introduce redes neuronales artificiales con retropropagación (backpropagation), concluyendo con Theano y Keras para cómputo en GPU.

La gran virtud de la obra es su perfecto balance entre la intuición matemática de las funciones de coste y la pulcritud de su código fuente en Python. Dado que es la edición original de 2015, sus capítulos de aprendizaje profundo emplean Theano (herramienta superada actualmente por PyTorch y TensorFlow), pero todo el contenido estructurado en torno a scikit-learn, NumPy y despliegue ligero con Flask sigue ofreciendo un valor didáctico excepcional. Es una obra de referencia para asentar las bases del modelado supervisado y no supervisado.