I have read some books and I want to share my thoughts about them - along with some recommendations. I hope you find them useful. I will try to keep this list updated. I will also try to add more books as I read them. I hope you enjoy (or hate them) them as much as I did.
Emily Robinson and Jacqueline Nolis
Este libro es altamente recomendable para quienes aspiran a o ya están desarrollando una carrera en ciencia de datos. No cubre aspectos técnicos, sino que se enfoca en proporcionar consejos prácticos para el desarrollo profesional en el campo de la ciencia de datos.
Aurelien Geron
Este libro se destaca como uno de los mejores recursos introductorios al machine learning. Ofrece un equilibrio ideal entre teoría detallada y aplicación práctica, utilizando bibliotecas estándar de la industria. Lo recomiendo altamente como punto de partida para el aprendizaje de machine learning.
Benjamin Bengfort, Rebecca Bilbro, Tony Ojeda
Este libro es más práctico que teórico en su enfoque al Procesamiento de Lenguaje Natural (PLN). Es especialmente útil para programadores experimentados en Python que buscan implementar rápidamente técnicas de PLN en sus aplicaciones. No es ideal para quienes buscan una comprensión teórica profunda del tema.
Joel Grus
Este libro ofrece una introducción superficial a los principios de la ciencia de datos, con un enfoque práctico que incluye mucho código demostrativo. Es útil como punto de partida, pero no debe considerarse como única fuente de conocimiento en el campo.
Wes McKinney
Este libro sirve como un excelente manual de referencia para el análisis de datos con Python, centrándose especialmente en la biblioteca pandas. Cubre varias bibliotecas esenciales para la ciencia de datos en Python. Aunque no es ideal para principiantes, es una inversión valiosa para quienes ya tienen conocimientos básicos y buscan mejorar sus habilidades en análisis de datos.
Andriy Burkov
Este libro conciso ofrece una visión general de los conceptos básicos de Machine Learning. Funciona como un diccionario de referencia rápida, proporcionando definiciones y explicaciones breves de los términos y técnicas fundamentales en ML. Incluye diagramas y fórmulas para mayor claridad. Es una herramienta útil para consultas rápidas y repaso de conceptos.
Ankur A. Patel
Este libro no alcanza el mismo nivel de calidad que otros de la serie "Hands-On". Aunque cubre técnicas de aprendizaje no supervisado, existen recursos más efectivos para aprender estos métodos. Puede ser útil como perspectiva complementaria para quienes ya están familiarizados con estas técnicas.
Abhishek Thakur
Este libro no cumple con las expectativas. Se asemeja más a una colección de apuntes del autor con explicaciones insuficientes sobre los procesos y conceptos presentados. No se recomienda como una inversión valiosa para el aprendizaje de machine learning.
François Chollet
Este libro ofrece un excelente equilibrio entre teoría y práctica en deep learning. Aunque las explicaciones no son tan formales como en textos puramente matemáticos, proporciona una comprensión sólida y aplicable del tema. Es altamente recomendable para quienes buscan una introducción práctica al deep learning.
Andrew W Trask
Este libro proporciona una introducción al aprendizaje profundo sin depender de frameworks, construyendo el conocimiento desde cero con fines educativos. Aunque los ejemplos podrían ser más claros, es una excelente opción para comprender los fundamentos del deep learning.
Jeremy Howard, Sylvain Gugger
Este libro está dirigido a programadores con conocimientos sólidos, centrándose en la aplicación práctica de redes neuronales utilizando el framework Fastai. Ofrece un enfoque eficiente para implementar técnicas de deep learning.
David Foster
Este libro ofrece una explicación clara de los fundamentos detrás de las tecnologías generativas de deep learning que están actualmente en auge. Incluye ejemplos prácticos que permiten crear aplicaciones básicas pero impresionantes, combinando efectivamente teoría y práctica.
Delip Rao
Este libro sobre Procesamiento de Lenguaje Natural (NLP) con PyTorch es notablemente breve y parece haber sido desarrollado apresuradamente. Es más adecuado como recurso complementario para quienes ya tienen conocimientos de NLP y buscan aplicarlos específicamente en PyTorch.
Ian Pointer
Este libro sobre PyTorch para deep learning ofrece una cobertura superficial de algunos aspectos. La información presentada puede encontrarse fácilmente en recursos en línea gratuitos. Sin embargo, puede ser útil para aquellos que prefieren aprender exclusivamente de libros.
Andy Field
Este libro es una excelente introducción a la estadística, especialmente para quienes están interesados en utilizar R. A pesar de su enfoque en R, el contenido es valioso incluso para quienes no usan este lenguaje. Es un texto extenso y detallado, con un tratamiento matemático riguroso de los temas estadísticos.
Peter Bruce, Andrew Bruce, Peter Gedeck
Este libro funciona como un manual práctico de estadística para científicos de datos. Aunque no profundiza extensamente en la teoría estadística, su enfoque en dos lenguajes de programación lo hace útil como recurso de referencia y como herramienta para la transición entre lenguajes en el contexto de la ciencia de datos.
Derek Rowntree
Este libro ofrece una introducción accesible a la estadística, dirigida específicamente a lectores sin formación matemática avanzada. A pesar de su brevedad, proporciona una base sólida en conceptos estadísticos fundamentales de manera clara y comprensible.
David Spiegelhalter
Este libro ofrece una introducción a la estadística que combina rigor académico con accesibilidad. Utiliza ejemplos de la vida real para ilustrar conceptos estadísticos, lo que lo hace comprensible para lectores con diversos niveles de conocimiento matemático. Aunque no profundiza en aspectos matemáticos complejos, proporciona una base sólida en estadística aplicada.
Larry Gonick
A pesar de su apariencia informal, este libro no es una introducción básica a la estadística. Es más adecuado como complemento para reforzar conocimientos existentes de una manera más ligera y visual. Puede ser útil para lectores que ya tienen una base en estadística y buscan una perspectiva alternativa.
Allen B. Downey
Este libro no es ideal como introducción simultánea a Python y estadística. Es más adecuado para lectores que ya tienen conocimientos básicos en ambas áreas. El libro se centra en cómo implementar conceptos estadísticos en Python, lo que puede ser útil para quienes buscan aplicar sus conocimientos estadísticos en un contexto de programación.
Jeremy Kun
Este libro presenta conceptos matemáticos desde una perspectiva orientada a programadores. Aunque ofrece un enfoque único, puede resultar difícil de seguir para principiantes en matemáticas. Es más adecuado para lectores con cierta base matemática que buscan una perspectiva alternativa.
Allen B. Downey
Este libro sobre estadística bayesiana presenta desafíos en su enfoque pedagógico. El código utilizado para ilustrar los conceptos es innecesariamente complejo, lo que puede dificultar la comprensión de los principios bayesianos fundamentales. La complejidad del código puede distraer del aprendizaje de los conceptos estadísticos centrales. No lo recomiendo como introducción a la estadística bayesiana.
Emmanuel Ameisen
Este libro ofrece una perspectiva valiosa sobre la implementación de aplicaciones de machine learning en entornos de producción. Proporciona insights significativos sobre MLOps y puede influir en la orientación profesional hacia este campo.
Martin Kleppmann
Este es un libro que le hace honor a su fama, y es que de verdad es una lectura esencial para desarrolladores que trabajan en aplicaciones con backend para almacenamiento o procesamiento de datos, especialmente en entornos a escala. Ofrece conocimientos valiosos sobre el diseño de sistemas de datos robustos y escalables.
Ville Tuulos
Este libro cubre aspectos cruciales de la infraestructura para ciencia de datos, incluyendo el diseño de sistemas que aumentan la productividad, el manejo de cómputo y orquestación en la nube, el despliegue de modelos de machine learning en producción, y el monitoreo y gestión del rendimiento y resultados.
Mark Treveil
Este libro proporciona una sólida base teórica sobre MLOps, cubriendo aspectos importantes de esta disciplina emergente. Aunque carece de contenido práctico o código, ofrece una visión integral de MLOps como una disciplina técnica y social.
Valliappa Lakshmanan and Michael Munn
Este libro es una valiosa referencia que cataloga problemas comunes en machine learning y sus soluciones. Es útil tanto para profesionales que trabajan en implementaciones de producción como para aquellos que buscan comprender mejor las mejores prácticas en el diseño de sistemas de machine learning.
Ben Wilson
Este libro ofrece un contenido denso y principalmente teórico sobre ingeniería de machine learning. A pesar de su enfoque teórico, está repleto de buenas prácticas y consejos valiosos para profesionales en el campo.
Cathy Chen, Niall Richard Murphy, Kranti Parisa, D. Sculley, Todd Underwood
Este libro se destaca como uno de los mejores recursos sobre MLOps disponibles. Aunque su título no refleja completamente su contenido, el libro aborda eficazmente cómo aplicar los principios de Site Reliability Engineering (SRE) en el contexto del Machine Learning, ofreciendo una perspectiva valiosa sobre la implementación de ML en entornos de producción.
Andriy Burkov
Este libro sirve como un complemento conciso al libro de 100 páginas de ML del mismo autor, centrándose en aspectos de implementación de modelos en producción. Su formato compacto lo hace ideal como referencia rápida, aunque no es adecuado para principiantes que buscan una introducción completa al tema.
Russell Jurney
Los primeros dos capítulos de este libro abordan eficazmente las dificultades de implementar ciencia de datos en entornos ágiles. Sin embargo, el resto del contenido carece de profundidad y sustancia significativa.
Hannes Hapke and Catherine Nelson
Este libro se centra en el uso de TensorFlow Extended, una biblioteca que puede ser demasiado específica para integrarse fácilmente en aplicaciones que no utilizan TensorFlow. La cobertura teórica es adecuada, pero su aplicabilidad práctica es limitada para quienes no trabajan con TensorFlow – encima de todo, algunas cosas están desactualizadas.
Chris Fregly and Antje Barth
Este libro es una guía práctica valiosa para profesionales que trabajan con AWS en proyectos de ciencia de datos. Cubre exhaustivamente las capacidades de AWS para ciencia de datos, pero requiere un conocimiento previo sólido de otras áreas de la plataforma. El libro puede estar ya un poco obsoleto.
Chip Huyen
Este libro aborda de manera superficial el diseño de sistemas de machine learning, considerando aspectos como el procesamiento de datos, la selección de características, la frecuencia de reentrenamiento de modelos y el monitoreo. Utiliza casos de estudio reales y ofrece un marco iterativo para el diseño de sistemas ML, creo que es su característica más positiva.
Emmanuel Raj
Este libro ofrece una cobertura extensa de MLOps, pero está principalmente enfocado en la plataforma Azure de Microsoft. Es más adecuado para profesionales que ya tienen conocimientos básicos de MLOps y están interesados específicamente en implementaciones en Azure.
Andrew P. McMahon
Este libro aborda temas que van más allá del machine learning tradicional, lo cual puede ser tanto una fortaleza como una debilidad. Es particularmente útil para ingenieros de software que se están adentrando en el campo de MLOps, ofreciendo una perspectiva amplia sobre la ingeniería de machine learning.
Jeff Smith
Este libro se enfoca en la implementación práctica de sistemas de machine learning utilizando Scala. Su enfoque específico en Scala y su brevedad limitan su utilidad para un público más amplio. Es más adecuado para profesionales que trabajan específicamente con Scala en proyectos de machine learning.
Carl Osipov
Este libro se centra en la implementación de sistemas de machine learning eficientes utilizando servicios preconfigurados de AWS y otros proveedores de nube. Ofrece una perspectiva práctica sobre cómo escalar operaciones de ML en entornos cloud.
Noah Gift and Alfredo Deza
Este libro presenta una colección desorganizada de ideas sobre MLOps, careciendo de una estructura coherente y un enfoque claro. La falta de cohesión en la presentación de la información dificulta la comprensión integral del tema. No lo recomiendo como recurso para aprender sobre MLOps.
Ian Goodfellow, Yoshua Bengio, Aaron Courville, Francis Bach
Este libro es una referencia destacada en el campo de las redes neuronales profundas, orientado principalmente a la investigación más que a la aplicación práctica. Requiere una base sólida en cálculo y álgebra lineal, siendo más adecuado para lectores con formación matemática avanzada.
Kevin P. Murphy
Este libro ofrece una perspectiva profunda y matemática del machine learning, enfocándose en el enfoque probabilístico. Es más adecuado para lectores con una base sólida en matemáticas y está orientado hacia la investigación más que a la aplicación práctica. Sirve como una excelente referencia teórica en el campo.
Marc Peter Deisenroth
Este libro proporciona una base matemática sólida para comprender los algoritmos de machine learning. Cubre los fundamentos matemáticos necesarios y ofrece una introducción a temas de ML. Es una excelente referencia para quienes buscan entender la teoría detrás del machine learning.
Christopher M. Bishop
Este libro es una referencia fundamental para la comprensión teórica del machine learning y el reconocimiento de patrones. Ofrece un tratamiento matemático riguroso y detallado, siendo más adecuado para lectores con una sólida base matemática. Creo que es uno de los mejores textos para el estudio avanzado de machine learning.
Robert Tibshirani and Trevor Hastie
Este libro es una referencia fundamental en la teoría del Machine Learning. Incluye de todo, hasta contenido sobre redes neuronales, con explicaciones brillantes entre gráficas y fórmulas a todo color. Caro, eso si.
Simon Rogers and Mark Girolami
Este libro ofrece una introducción detallada a temas selectos de machine learning desde un enfoque puramente matemático. Explica paso a paso conceptos de álgebra lineal y cálculo, proporcionando una base sólida para la comprensión teórica del machine learning.
Luciano Ramalho
Este es uno de los mejores libros avanzados sobre Python disponibles. Está dirigido a programadores con conocimiento intermedio del lenguaje y profundiza significativamente en aspectos avanzados de Python. Es una lectura esencial para quienes buscan dominar el lenguaje.
Micha Gorelick, Ian Ozsvald
Un recurso valioso para aprender sobre testing en Python utilizando Pytest; realmente vale la pena leerlo si tienes alguna duda sobre testing en Python.
Micha Gorelick, Ian Ozsvald
Este libro es una fuente densa de información sobre optimización de rendimiento en Python. Está dirigido a programadores avanzados y puede ser desafiante para principiantes. Anque los ejemplos podrían ser más claros, el contenido es valioso si buscas mejorar el rendimiento de tus aplicaciones escritas enPython.
Juan Nunez-Iglesias, Stéfan van der Walt, Harriet Dashnow
Este libro intenta enseñar buenas prácticas de programación en SciPy, pero a menudo se pierde en ejemplos complicados que no facilitan la comprensión de los conceptos principales. Puede ser útil para quienes ya tienen conocimientos de Python científico y buscan profundizar en SciPy.
Noah Gift, Kennedy Behrman, Alfredo Deza, Grig Gheorghiu
Este libro no cumple con las expectativas generadas por su título. El contenido se enfoca más en DevOps en general que en el uso específico de Python para estas tareas. La estructura del libro se asemeja a una colección de posts de blog, careciendo de cohesión. No lo recomiendo para quienes buscan aprender específicamente sobre Python en el contexto de DevOps.
Alberto Cairo
Este libro ofrece una colección instructiva de ejemplos sobre buenas y malas prácticas en la visualización de datos. Es útil tanto para reforzar conocimientos existentes como para corregir conceptos erróneos sobre la visualización de datos. Su accesibilidad lo hace recomendable incluso para lectores no técnicos.
Cole Nussbaumer Knaflic
Este libro es una excelente introducción a las técnicas y principios de la visualización efectiva de datos. Aunque se centra en conceptos básicos, ofrece consejos valiosos para mejorar la presentación de datos. Creo que es ideal para principiantes en el campo de la visualización de datos.
Danyel Fisher, Miriah Meyer
Este libro aborda aspectos periféricos de la visualización de datos más que técnicas específicas. Es más apropiado para profesionales que buscan profundizar en los aspectos conceptuales y estratégicos de la visualización de datos, en lugar de ser un recurso para aprender técnicas prácticas.
