Estos libros de machine learning en español te enseñan cómo una máquina aprende a partir de ejemplos. Todos están en PDF y puedes leerlos o descargarlos gratis.
El machine learning, o aprendizaje automático, es la rama de la inteligencia artificial que entrena modelos para predecir y decidir. Hay material para principiantes que empiezan desde cero y textos avanzados para quien ya programa.
Encontrarás algoritmos, redes neuronales, deep learning y ejemplos prácticos en Python. También hay libros de aprendizaje supervisado, no supervisado y por refuerzo.
📚
Descargá la colección completa de libros de Machine Learning
Todos los libros de esta página en un solo archivo ZIP, sin descargarlos uno por uno.
Te llevamos a accounts.google.com para completar el ingreso.
Solo email y nombre · Nunca enviamos spam
Acceso desbloqueado
Descargá la colección completa de libros de Machine Learning
Todos los libros de esta página en un solo archivo ZIP, sin descargarlos uno por uno.
Descarga directa · Un solo archivo ZIP
Descarga iniciada. Buscá el ZIP en tu carpeta de descargas.
Fundamentos
Libros de Machine Learning
Estos libros de machine learning explican qué es el aprendizaje automático y cómo encaja dentro de la inteligencia artificial. Incluyen también las matemáticas que necesitas para entender los modelos.
Manual universitario que recorre la inteligencia artificial moderna desde el aprendizaje automático: agrupamiento, clasificación, extracción de características, metaheurísticas y sistemas de recomendación, con ejemplos de código.
Apuntes completos y actualizados de un curso universitario de aprendizaje automático: qué es, cómo se preparan los datos, regresión, clasificación, evaluación de modelos y ejemplos prácticos. Un excelente punto de partida para aprender machine learning desde cero.
Libro clásico de la Universitat Politècnica de Catalunya que explica los fundamentos del aprendizaje automático: aprendizaje inductivo, árboles de decisión, aprendizaje por analogía, redes neuronales y algoritmos genéticos.
Introducción breve y clara a la taxonomía del aprendizaje computacional: aprendizaje supervisado, no supervisado y por refuerzo, con el ciclo completo de un proyecto de machine learning.
Repasa las bases matemáticas que sostienen al machine learning: álgebra lineal, cálculo, probabilidad, estadística y optimización, explicadas en función de su uso en los modelos de aprendizaje.
Ángel Amado Romero Cahuana, Rosa Luz Medina Aguilar, Edinson Raúl Montoro Alegre y otros
Informe ilustrado sobre cómo el machine learning transforma los modelos de negocio: conceptos, tendencias, técnicas más usadas y un ejercicio cuantitativo aplicado a la gestión de riesgos.
Python es el lenguaje más usado para entrenar modelos de machine learning. Estos manuales combinan teoría con código en TensorFlow y Scikit-Learn que puedes ejecutar.
Trabajo de grado que explica los conceptos clave del aprendizaje supervisado y los métodos de optimización, y los aplica paso a paso con TensorFlow para programar un clasificador de imágenes.
Primera parte de un curso de Python científico dedicado al machine learning: paradigmas de aprendizaje, librerías de Python, entornos de trabajo y cómo preprocesar los datos antes de entrenar un modelo.
Segunda parte del curso, centrada en Scikit-Learn: regresión lineal y polinómica, regresión logística, k vecinos más cercanos, máquinas de vectores soporte y bosques aleatorios, cada uno con un ejemplo práctico en Python.
Árboles de decisión, máquinas de vectores soporte, bosques aleatorios y clasificadores bayesianos, explicados paso a paso. Entender cada algoritmo de machine learning te ayuda a elegir el adecuado para tu problema.
Libro universitario completo sobre los principales algoritmos predictivos: regresión, árboles de decisión, bagging, bosques aleatorios, boosting, máquinas de soporte vectorial y redes neuronales, con ejemplos en R.
Rubén Fernández Casal, Julián Costa Bouzas, Manuel Oviedo de la Fuente
Tutorial claro sobre las máquinas de vectores soporte aplicadas a clasificación y regresión: casos linealmente separables, márgenes blandos y el truco del kernel.
Panorama breve y bien ilustrado de los algoritmos de machine learning más usados, con la diferencia entre inteligencia artificial, aprendizaje automático y deep learning.
Libros de Aprendizaje Supervisado y no Supervisado
El aprendizaje supervisado entrena modelos con datos etiquetados, y el no supervisado descubre grupos y patrones por su cuenta. Aquí tienes material de regresión, clasificación, clustering y reducción de la dimensionalidad.
Diapositivas de curso que repasan el aprendizaje supervisado y los principales modelos de clasificación, con ejemplos sencillos para entender cada uno.
Módulo universitario dedicado al aprendizaje no supervisado: medidas de distancia, k-means, clustering jerárquico y métodos basados en densidad, con criterios para evaluar los grupos obtenidos.
Introducción visual al aprendizaje no supervisado: clustering con k-means y métodos jerárquicos, y reducción de la dimensionalidad con PCA, con ejemplos en Scikit-Learn.
Compara dos técnicas clave de aprendizaje no supervisado, el análisis de componentes principales y t-SNE, con su base matemática y ejemplos de visualización de datos.
Las redes neuronales imitan, de forma simplificada, cómo se conectan las neuronas del cerebro. Estos libros explican desde el perceptrón hasta la retropropagación y sus aplicaciones.
Libro de curso universitario sobre redes neuronales artificiales: perceptrón, perceptrón multicapa, retropropagación, mapas autoorganizados y aplicaciones prácticas.
Módulo universitario que explica las redes neuronales aplicadas a clasificación: topologías, funciones de activación, el perceptrón y el aprendizaje por retropropagación.
El deep learning usa redes neuronales de muchas capas para reconocer imágenes, voz y texto. Estos libros explican las redes convolucionales y cómo se entrenan.
Trabajo de grado que parte de las redes neuronales y el perceptrón multicapa para explicar qué es el deep learning, cómo se entrena y por qué funciona.
Revisión crítica de los métodos de deep learning para regresión y clasificación, con estudios de simulación y análisis de conjuntos de datos conocidos.
En el aprendizaje por refuerzo, un agente aprende a decidir a base de prueba, error y recompensa. Es la técnica detrás de AlphaGo, el programa que venció a los mejores jugadores de Go.
Curso completo en diapositivas sobre aprendizaje por refuerzo: procesos de decisión de Markov, programación dinámica, Monte Carlo, diferencias temporales y aplicaciones.
Introducción al aprendizaje por refuerzo: agentes, entornos, recompensas y políticas, explicados para dar los primeros pasos en esta rama del machine learning.
Módulo universitario sobre aprendizaje por refuerzo profundo: cómo las redes Deep Q-network combinan Q-learning con redes neuronales y las mejoras que las hicieron estables.
Envía esta página a alguien a quien le encantaría leer. Todo es gratis y sin registro.
Esc
Escribe para buscar...
Buscando...
No encontramos nada
¡Tu libro ya se está descargando!
Si InfoLibros te ayudó, puedes apoyarnos con un solo clic: agréganos como fuente preferida en Google. Verás más de nuestros libros cuando busques, y nos ayudas a seguir compartiendo lectura gratis con todos.
¡Listo! Tu libro ya se está descargando
¿Conoces a alguien a quien le gustaría leerlo? Envíale esta página. Es gratis, sin registro, y nos ayudas a difundir la lectura.