Ahora, en su 4ª edición, este libro se considera la obra de referencia sobre IA. Russel y Norvig no dejan ninguna pregunta sin respuesta: Desde el enfoque matemático del Aprendizaje Profundo y el Procesamiento del Lenguaje Natural hasta la seguridad de la IA. Varios temas se explican desde la base, proporcionando así un enfoque general muy completo que, en ocasiones, resulta muy avanzado para los principiantes. Cualquiera que busque una obra de referencia holística sobre el tema de la IA debería sin duda echar un vistazo a este libro. 

Python es una herramienta de procesamiento de datos de primera clase para los científicos de datos gracias a sus numerosas bibliotecas. The Python Data Science Handbook explica las numerosas bibliotecas como IPython, NumPy, Pandas, Matplotlib y Scikit-Learn en un solo libro. Ideal para Científicos de Datos, Ingenieros y todos aquellos que quieran llegar a serlo, este manual explica cómo funciona la Ciencia de Datos con Python. El libro ofrece una introducción sencilla y es imprescindible para todos aquellos que quieran iniciarse en el mundo de los Datos y la IA con Python.

El aprendizaje automático (Machine Learning, ML) se utiliza actualmente en muchas aplicaciones y proyectos comerciales. Sin embargo, la tecnología no se limita a grandes empresas o equipos de investigación. Este libro explica cómo puede desarrollar aplicaciones prácticas de ML utilizando Python, sin ningún conocimiento previo especial. Aprenderá a utilizar scikit-learn para desarrollar aplicaciones de ML centrándose en la aplicación más que en las matemáticas que hay detrás. Si ya está familiarizado con Matplotlib y Numpy, puede utilizar este libro para construir sobre ellos y dar vida a su primera aplicación ML. 

Este libro muestra lo que realmente funciona. Práctico y realista, el "Hundred-Page Machine Learning Book" transmite de forma concisa los conceptos y herramientas actuales para desarrollar aplicaciones de ML. Si busca iniciarse en el tema del ML, este libro puede ser justo lo que necesita. El autor muestra los instrumentos básicos que desempeñan un papel en el ML, de forma breve y sucinta en 100 páginas. 

El crecimiento de las aplicaciones prácticas del aprendizaje automático en la última década ha ido acompañado de muchos avances importantes en los algoritmos y técnicas subyacentes. Los métodos bayesianos se han generalizado, mientras que los modelos gráficos se han convertido en el marco general para describir y aplicar técnicas probabilísticas. Este libro refleja estos avances recientes al tiempo que proporciona una introducción exhaustiva a los campos del reconocimiento de patrones y el aprendizaje automático. Dirigido a investigadores, profesionales y estudiantes, este libro explica todo el concepto del reconocimiento de patrones y los métodos bayesianos sin asumir ningún conocimiento previo de estos conceptos.  

El Deep Learning ha aumentado enormemente todo el campo de la Inteligencia Artificial y sus posibles aplicaciones. Incluso los científicos de datos que no saben mucho sobre Deep Learning pueden ahora crear redes neuronales. Este libro muestra cómo se hace: mediante ejemplos concretos y marcos de trabajo de última generación, aprenderá más sobre todo el flujo de trabajo de ML, así como varios modelos de entrenamiento, redes neuronales y mucho más. Aprenda las herramientas y tecnologías que necesita para entrenar y escalar redes neuronales profundas con estos tres populares frameworks.   

Si ya has estudiado los conceptos básicos de ML e IA, probablemente te preguntes no qué puede hacer ML, sino cómo. Este libro ofrece una visión de las redes neuronales artificiales en Python y te muestra cómo crearlas y entrenarlas tú mismo. Programando redes neuronales sin frameworks ni librerías, aprenderás los conceptos reales que hay detrás de esta tecnología. "Neural Networks from Scratch in Python" te lleva desde tus primeras neuronas hasta la evaluación de una red neuronal completa con muchos ejemplos y el código Python necesario. 

Inteligencia Artificial, PNL, Big Data, Computación en nube o Deep Learning: existe una jungla de palabras de moda a las que se enfrentan los recién llegados cuando se adentran en el mundo de los datos y la IA. Este libro arroja luz sobre qué es un sistema de archivos distribuidos Hadoop, las redes neuronales o un lago de datos y cómo funciona el aprendizaje automático desde una perspectiva empresarial. La Guía de Datos e IA le instruye sobre las herramientas más comunes y utilizadas, las mejores prácticas y los flujos de trabajo para encaminarse hacia la implementación del ML. 

El aprendizaje profundo permite a los ordenadores aprender conceptos difíciles como un gráfico jerárquico con muchas capas. "Deep Learning" ofrece una introducción a una amplia gama de temas relacionados con el aprendizaje profundo. El libro proporciona los fundamentos matemáticos y conceptuales, destaca las tecnologías de Aprendizaje Profundo utilizadas en la industria hoy en día. Se explican las áreas de aplicación actuales, como la PNL, la visión por ordenador o los sistemas de recomendación en línea, y se ofrece una visión general de las perspectivas de investigación en este campo. El libro es adecuado para estudiantes e investigadores, así como para aquellos interesados en profundizar en los conceptos del Aprendizaje Profundo. 

El diseño de sistemas se enfrenta a grandes retos: Hay que tener en cuenta factores como los datos, la escalabilidad, la coherencia, la mantenibilidad, la fiabilidad y la eficiencia. Palabras de moda como NoSQL, bases de datos relacionales, procesadores de streaming o computación distribuida complican aún más el tema. En este manual práctico y detallado, el autor Martin Kleppmann le guía a través de las ventajas e inconvenientes de los distintos sistemas de procesamiento y almacenamiento de datos. Aunque el software evoluciona, las ideas básicas siguen siendo las mismas: los ingenieros y arquitectos de software aprenden aquí a hacer realidad las aplicaciones intensivas en datos y a sacar el máximo partido de los datos en los sistemas modernos. Obtenga una visión de los conceptos actuales y aprenda cómo puede construir su propio ecosistema compatible con Big Data para el uso de ML e IA.