Introducción al libro
machine learning, aprendizaje automatico, Python, algebra lineal, optimizacion, regresion lineal, clasificacion, estadistica
Este libro reconstruye los algoritmos del aprendizaje automático paso a paso, desde sus cimientos matemáticos hasta su implementación en Python. No necesitas conocimientos previos de machine learning: solo curiosidad y ganas de entender qué hay dentro de las “cajas negras”.
1 Cómo está estructurado
El material sigue una ruta secuencial organizada en tres bloques:
Conceptos iniciales — qué es el aprendizaje automático y qué tipos existen (supervisado, no supervisado y por refuerzo).
Fundamentos matemáticos — álgebra lineal, cálculo y estadística: el lenguaje subyacente del ML.
Algoritmos clásicos — regresión, clasificación y detección de anomalías implementadas con Python.
2 Requisitos previos
- Matemáticas: los capítulos de fundamentos parten desde cero, así que basta con manejar nociones de funciones y operaciones básicas.
- Programación: es recomendable tener nociones mínimas de Python, aunque todo el código del libro es reproducible y está comentado.
3 Instalación del entorno
Todos los bloques de código se ejecutan con Python. Para reproducirlos, instala las dependencias del proyecto:
python3 -m pip install -r requirements.txtLos paquetes incluidos son:
| Paquete | Uso principal |
|---|---|
numpy |
Álgebra lineal y operaciones con vectores y matrices |
matplotlib |
Visualización de funciones, gradientes y modelos |
pandas |
Manipulación de datasets |
scipy |
Estadística y optimización |
jupyter |
Ejecución interactiva de los ejemplos |
4 Cómo aprovechar este libro
- Sigue el orden. Cada bloque matemático está conectado directamente con el algoritmo que se construye después.
- Ejecuta el código. No te limites a leer: modifica los parámetros y observa cómo cambia el resultado.
- Consulta la Bibliografía. Encontrarás las fuentes de los teoremas y papers seminales utilizados.
Los ejemplos están congelados para que el libro compile de forma determinista, pero puedes copiarlos y ejecutarlos en tu propio entorno (por ejemplo, en un notebook de Jupyter o en VS Code).