Recomiendo Python Machine Learning – Segunda edición de Sebastian Raschka y Vahid Mirjalili. Los autores hacen un excelente trabajo al explicar la teoría y demostrarla a través de ejemplos de código. Muchos otros libros y recursos pueden abrumarlo con la teoría y no demostrar cómo aplicarlo a un problema, pero no he encontrado que este sea el caso con este libro.
También hay una primera edición de este libro disponible. Sin embargo, ambos tienen repositorios de GitHub que tienen el código de los libros disponibles.
Al igual que muchos recursos de Machine Learning, a veces pueden ser abrumadores. Por lo tanto, le recomendaría que se tome el tiempo para asegurarse de comprender las áreas con las que tiene dificultades, si las hay. Para complementar este libro, recomiendo los siguientes recursos para ayudar a comprender los conceptos básicos y más allá:
- ¿Existe algún teorema en estadística o aprendizaje automático que muestre que "cuanto mayor es el conjunto de datos, mayor es la precisión"?
- ¿Reemplazarán el aprendizaje automático y la ciencia de datos ecuaciones diferenciales y modelos matemáticos para problemas del mundo real?
- ¿Cuál es el significado de los códigos estabilizadores?
- ¿Cuáles son las aplicaciones de la informática afectiva en los negocios electrónicos?
- ¿Qué es OLAP (procesamiento analítico en línea) y para qué se utiliza?
- Redes neuronales y aprendizaje profundo – Michael Nielsen. Un libro electrónico gratuito que explica varias áreas de ML de una manera excelente. Mediante el uso de imágenes, ejemplos y elementos interactivos. Le recomiendo que se tome el tiempo para trabajar en los ejercicios.
- Información sobre la teoría de la información visual.
- arXiv Machine Learning. Base de datos de documentos de Machine Learning.
- Una lista de libros de Machine Learning. Hay varios libros introductorios disponibles en esta lista.
El aprendizaje automático no es realmente un tema en el que pueda sumergirse directamente sin comprender los fundamentos, por lo que no se desanime cuando encuentre algo que no comprende. Puede encontrar que un recurso no explica algo de una manera que usted comprende, pero otro sí. Es mejor elegir un libro, armar una lista de recursos y alternar entre ellos cuando golpeas algo que no entiendes.
Si está buscando implementar algunos modelos de Machine Learning, recomendaría TensorFlow. La implementación de modelos que lo usan está cubierta en el libro Python Machine Learning y hay una gran cantidad de información en línea sobre esto.
¡Buena suerte!