Referencias
Bibliografía y recursos
Este curso se apoya en materiales públicos, libros de referencia, documentación oficial y datasets abiertos. No se inventan resultados experimentales: los ejemplos del curso usan datos sintéticos o datasets públicos citados aquí.
Libros de referencia
Textos que cubren el curso con distintos niveles de profundidad.
- MLJames, Witten, Hastie & Tibshirani — An Introduction to Statistical Learning statlearning.comIntroducción aplicada con ejemplos en R/Python. Ideal para acompañar los módulos 3–6.
- MLHastie, Tibshirani & Friedman — The Elements of Statistical Learning hastie.su.domains/ElemStatLearnReferencia matemática más profunda sobre modelos supervisados y regularización.
- DLGoodfellow, Bengio & Courville — Deep Learning deeplearningbook.orgFundamentos teóricos de redes neuronales, optimización y arquitecturas.
- DLZhang et al. — Dive into Deep Learning d2l.aiLibro interactivo con notebooks ejecutables de PyTorch, TensorFlow y JAX.
- PrácticaGéron — Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow github.com/ageron/handson-ml3Proyectos completos y código mantenido. Excelente para los módulos 4–11.
- MathDeisenroth, Faisal & Ong — Mathematics for Machine Learning mml-book.github.ioÁlgebra lineal, cálculo, probabilidad y optimización orientados a ML.
- Prob.Murphy — Probabilistic Machine Learning: An Introduction probml.github.io/pml-bookEnfoque probabilístico moderno, con código y capítulos abiertos.
- PythonVanderPlas — Python Data Science Handbook jakevdp.github.ioNumPy, Pandas, Matplotlib y Scikit-learn explicados con notebooks.
Matemáticas
Recursos para construir la base del módulo 1.
- Video3Blue1Brown — Essence of Linear Algebra 3blue1brown.comAnimaciones que construyen intuición geométrica de vectores, matrices y autovalores.
- Video3Blue1Brown — Essence of Calculus 3blue1brown.comDerivadas, integrales y regla de la cadena desde la intuición.
- CursoKhan Academy — Linear Algebra, Calculus, Statistics khanacademy.org/mathEjercicios graduados y explicaciones paso a paso.
- CursoMIT 18.06 — Linear Algebra (Gilbert Strang) ocw.mit.eduCurso universitario completo con clases, problemas y exámenes.
Python, datos y visualización
Documentación oficial que conviene tener a mano.
- DocsNumPy User Guide numpy.org/doc/stable/userBroadcasting, indexado, álgebra lineal y rendimiento.
- DocsPandas User Guide pandas.pydata.orgSelección, agrupación, unión y limpieza de datos tabulares.
- DocsMatplotlib — Tutorials matplotlib.orgGráficos publication-quality y personalización de ejes.
- DocsSeaborn — User Guide seaborn.pydata.orgVisualización estadística de distribuciones y relaciones.
- DocsScikit-learn — User Guide scikit-learn.orgReferencia de algoritmos, pipelines, métricas y validación.
- CursoKaggle Learn — Python, Pandas, Intro to ML kaggle.com/learnMicrocursos con notebooks y ejercicios prácticos.
Machine Learning clásico
Cursos y referencias para los módulos 3–6.
- CursoStanford CS229 — Machine Learning cs229.stanford.eduNotas matemáticas, problem sets y conferencias de Andrew Ng.
- CursoMachine Learning Specialization (DeepLearning.AI) coursera.orgIntroducción guiada a regresión, clasificación y recomendación.
- PrácticaGoogle — Rules of Machine Learning developers.google.comBuenas prácticas de proyectos reales, baselines y evaluación.
- PaperBreiman — Random Forests Springer Machine Learning 45Artículo original de bagging de árboles y estimación de error OOB.
- PaperChen & Guestrin — XGBoost arXiv:1603.02754Gradient boosting escalable con regularización y poda.
Deep learning y visión
De la neurona artificial a las arquitecturas modernas.
- CursoStanford CS231n — Convolutional Neural Networks for Visual Recognition cs231n.stanford.eduNotas y asignaciones sobre CNN, optimización y visión.
- Cursofast.ai — Practical Deep Learning for Coders course.fast.aiEnfoque top-down: modelos útiles desde la primera lección.
- DocsPyTorch — Tutorials pytorch.org/tutorialsEntrenamiento, transferencia de aprendizaje y despliegue.
- DocsTensorFlow — Tutorials tensorflow.org/tutorialsKeras, CNN, RNN y despliegue en producción.
- PaperHe et al. — Deep Residual Learning (ResNet) arXiv:1512.03385Conexiones residuales que hicieron posible entrenar redes muy profundas.
- PaperRonneberger et al. — U-Net arXiv:1505.04597Arquitectura encoder–decoder para segmentación semántica.
- PaperRedmon et al. — YOLO arXiv:1506.02640Detección de objetos en una sola pasada, base de muchas variantes modernas.
NLP y modelos de lenguaje
Del conteo de palabras a los Transformers.
- LibroJurafsky & Martin — Speech and Language Processing web.stanford.edu/~jurafsky/slp3Referencia completa de NLP, con capítulos actualizados sobre LLM.
- CursoHugging Face — NLP Course huggingface.co/learn/nlp-courseTransformers, fine-tuning, tokenización y despliegue con la librería oficial.
- DocsspaCy — Usage Guide spacy.io/usagePipelines lingüísticos, entidades y procesamiento en producción.
- PaperVaswani et al. — Attention Is All You Need arXiv:1706.03762Artículo que introdujo la arquitectura Transformer.
- PaperDevlin et al. — BERT arXiv:1810.04805Preentrenamiento bidireccional con enmascaramiento y fine-tuning.
- PaperMikolov et al. — Word2Vec arXiv:1301.3781Embeddings de palabras aprendidos con skip-gram y CBOW.
MLOps y producción
Herramientas y guías para llevar modelos a producción.
- CursoDataTalksClub — MLOps Zoomcamp github.com/DataTalksClub/mlops-zoomcampCurso gratuito de experiment tracking, orquestación, despliegue y monitoreo.
- CursoMade With ML — MLOps Course madewithml.comCiclo de vida completo con buenas prácticas de ingeniería.
- DocsFastAPI fastapi.tiangolo.comFramework para exponer modelos como API con validación Pydantic.
- DocsDocker — Get Started docs.docker.comContenedores reproducibles para entrenamiento e inferencia.
- DocsMLflow mlflow.orgTracking de experimentos, registro de modelos y despliegue.
- DocsEvidently AI docs.evidentlyai.comDetección de drift y monitoreo de calidad de datos y modelos.
- PaperSculley et al. — Hidden Technical Debt in Machine Learning Systems NeurIPS 2015Por qué el modelo es una pequeña parte de un sistema de ML real.
Datasets públicos
Datos abiertos usados en ejercicios y proyectos. Verifica siempre la licencia antes de reutilizarlos.
- TabularCalifornia Housing scikit-learn.orgRegresión de precios de vivienda con 8 features. Proyecto 1.
- Texto20 Newsgroups scikit-learn.orgClasificación de texto en 20 categorías. Proyecto 2.
- TabularUCI Machine Learning Repository archive.ics.uci.eduColección histórica de datasets para clasificación y regresión.
- TabularOnline Retail (UCI) archive.ics.uci.eduTransacciones de un minorista para segmentación RFM y clustering. Proyecto 3.
- TextoSMS Spam Collection (UCI) archive.ics.uci.edu5 574 mensajes etiquetados para detección de spam. Proyecto 4.
- TabularTelco Customer Churn (Kaggle) kaggle.comClientes de telecomunicaciones para predicción de abandono. Proyecto 5.
- TabularKaggle Datasets kaggle.com/datasetsChurn, crédito, vivienda y muchos otros con kernels de ejemplo.
- VisiónFashion-MNIST github.com/zalandoresearch/fashion-mnist28×28 imágenes de ropa; sustituto más difícil de MNIST.
- VisiónCIFAR-10 / CIFAR-100 cs.toronto.edu/~kriz/cifar.htmlImágenes naturales en color para CNN. Proyecto 6.
- VisiónCOCO cocodataset.orgDetección, segmentación y captioning a gran escala.
- TextoIMDB Movie Reviews ai.stanford.edu/~amaas/data/sentiment50 000 reseñas etiquetadas para análisis de sentimiento. Proyecto 7.
- RecsysMovieLens 100K (GroupLens) grouplens.org100 000 valoraciones de películas para filtrado colaborativo. Proyecto 8.
- AnomalíasCredit Card Fraud Detection (ULB / UCI) archive.ics.uci.edu284 807 transacciones con 492 fraudes para detección de anomalías. Proyecto 9.
- NLPHugging Face Datasets huggingface.co/datasetsMiles de datasets de texto, audio e imagen con carga directa.
Cómo citar y verificar
Los resultados que aparecen en el curso son ejemplos ilustrativos calculados con datos sintéticos o con los datasets anteriores. No se presentan como benchmarks oficiales. Antes de comparar modelos, revisa la licencia del dataset, la partición usada y la métrica reportada en el artículo original.
- ÍndicePapers with Code paperswithcode.comArtículos con código y tablas de resultados por tarea.
- PapersarXiv — Machine Learning arxiv.org/list/cs.LGPreprints recientes; verifica si fueron revisados por pares.