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.

Machine Learning Teórico

A First Course in Machine Learning

Simon Rogers and Mark Girolami

No nos olvidamos de la teoría de ML, "**A First Course in Machine Learning**”, como el nombre lo indica, es "un primer curso", va a detalle en algunos cuantos temas selectos de machine learning. Se acerca a los temas desde un punto puramente matemático pero explicando todo paso por "paso": Álgebra lineal y cálculo 🟢

Deep Learning

Ian Goodfellow, Yoshua Bengio, Aaron Courville, Francis Bach

"Para el público este es uno de los mejores libros sobre las redes neuronales profundas, "**Deep Learning**”, es un libro dirigido más para la gente interesada en la investigación que a la práctica. Definitivamente no es uno que leería sin conocimientos sólidos de cálculo y álgebra lineal 🟢

Machine Learning: A Probabilistic Perspective

Kevin P. Murphy

"**Machine "Learning": A Probabilistic Perspective**”, definitivamente no es para principiantes (creo yo), de nuevo, nada de código y puras fórmulas, un buen libro de referencia matemática – tiene a su favor que es uno de los más recientes, aunque no es que la teoría haya cambiado demasiado 🟢

Mathematics for Machine Learning

Marc Peter Deisenroth

"**Mathematics for Machine Learning**”, como su nombre lo indica, este libro habla de las matemáticas que se requieren para entender el funcionamiento de los algoritmos de machine learning, también contiene un poco de introducción a temas de ML, pero eso noes lo más valioso. Recomendado 🟢

Pattern Recognition and Machine Learning

Christopher M. Bishop

Como un ladrillo de conocimiento llega “**Pattern Recognition and Machine Learning**”, bastante avanzado para mi, pero sin duda uno de los mejores libros para entender machine learning desde un punto de vista teórico 🟢

The Elements of Statistical Learning

Robert Tibshirani and Trevor Hastie

Otro libro de esos que parecen de los básicos en la teoría de ML, "**The Elements of Statistical Learning**”. Incluye de todo, hasta contenido sobre redes neuronales, con explicaciones brillantes entre gráficas y fórmulas a todo color. Caro, eso si 🟢

Estadística

A Programmer's Introduction to Mathematics

Jeremy Kun

"****A Programmer's Introduction to Mathematics****", tenía grandes esperanzas sobre este libro, pero he de decirlo que es un poco difícil de seguir – definitivamente vale la pena si quieres entender conceptos matemáticos desde otra perspectiva, pero no si es uno de tus primeros libros para adentrarte al tema 🟠

Discovering Statistics Using R

Andy Field

Comenzando por los de estadística, tenemos "Discovering Statistics Using R", librazo para quienes vayan comenzando con estadística, particularmente si tienen interés en el uso de R, pero si no, aún vale la pena. Es un libro grande y pesado, y denso en contenido con muchas matemáticas dentro

Discovering Statistics Using R

Andy Field

Comenzando por los de estadística, tenemos "Discovering Statistics Using R", librazo para quienes vayan comenzando con estadística, particularmente si tienen interés en el uso de R, pero si no, aún vale la pena. Es un libro grande y pesado, y denso en contenido con muchas matemáticas dentro

Practical Statistics for Data Scientists

Peter Bruce, Andrew Bruce, Peter Gedeck

Después tenemos "**Practical Statistics for Data Scientists**”, uno de esos libros estilo recetario, de nuevo, no es uno que te vaya a enseñar a profundidad los conocimientos de estadística, su gran ventaja es que cubre dos lenguajes, así que te puede servir como transición de uno a otro 🟢

Statistics without Tears

Derek Rowntree

Si buscas una introducción mucho, pero mucho más ligera, está "**Statistics without Tears**", el subtítulo del libro lo dice "todo": una introducción para no-matemáticos. Es un libro pequeño y ligero pero de lo más recomendable 🟢

The Art of Statistics: Learning from Data

David Spiegelhalter

Después tenemos "****"Statistics": The Art and Science of Learning from Data****”, otro libro con un poco más de "rigor" pero que no deja de ser leíble por quienes van comenzando. Tiene ejemplos en la vida real y profundiza en los temas, no esperes muchas matemáticas🟢

The Cartoon Guide to Statistics

Larry Gonick

¿Sientes que quieres reforzar tus conocimientos pero de forma más informal, “**The Cartoon Guide to Statistics**” es tu libro. No dejes que su portada te engañe, no creo que sea un libro introductorio, más bien uno que puedes agarrar después de conocer un poquito las bases 🟠

Think Bayes

Allen B. Downey

Por último, "**Think Bayes**”, igual que el otro libro del mismo autor (Think Stats), no tan introductorio. Solo que en este parece ser que el código está complicado innecesariamente, así que a veces no sabes si estás tratando de entender Bayes o entendiendo programación orientada a objetos en Python 🔴

Think Stats

Allen B. Downey

Pasando a los libros que tienen código, tenemos “**Think Stats**”… este no me gustó tanto, no es un libro introductorio a Python y a estadísticas, es bueno si ya sabes un poco de Python y un poco de estadística, y te muestra cómo representar este conocimiento programado 🟠

MLOps

Agile Data Science 2.0

Russell Jurney

Cuando leí "Agile Data Science 2.0” pensé que era un buen libro, pero ahora ya no tanto. Creo que lo que más vale la pena es los primeros dos capítulos en donde habla de las dificultades de hacer ciencia de datos en entornos ágiles, el resto del libro es un tanto blando

Building Machine Learning Pipelines

Hannes Hapke and Catherine Nelson

No es que no me haya gustado mucho este libro, pero sucede que "Building Machine Learning Pipelines” usa TensorFlow Extended, una biblioteca demasiado invasiva (si no estás usando TensorFlow) para integrar en tus aplicaciones de producción. La teoría está bien a secas

Building Machine Learning Powered Applications

Emmanuel Ameisen

El libro "Building Machine Learning Powered Applications” me hizo cambiar mi mentalidad respecto a lo que me quería dedicar, me llevó a querer adentrarme al MLOps. Explica muchos de los aspectos de llevar aplicaciones a producción.

Data Science on AWS

Chris Fregly and Antje Barth

Si trabajas con AWS, "Data Science on AWS” es un libro que deberías tener, es totalmente práctico y te enseña todas las capacidades que tiene AWS para soporte de ciencia de datos. Eso si, debes tener conocimiento sólido de otras áreas de la plataforma

Designing Data-Intensive Applications

Martin Kleppmann

Publisher: If you develop applications that have some kind of server/backend for storing or processing data, and your applications use the internet (e.g., web applications, mobile apps, or internet-connected sensors), then this book is for you.

Designing Machine Learning Systems

Chip Huyen

Publisher: Author Chip Huyen, co-founder of Claypot AI, considers each design decision--such as how to process and create training data, which features to use, how often to retrain models, and what to monitor--in the context of how it can help your system as a whole achieve its objectives. The iterative framework in this book uses actual case studies backed by ample references.

Effective Data Science Infrastructure

Ville Tuulos

Publisher: Design data science infrastructure that boosts productivity. Handle compute and orchestration in the cloud. Deploy machine learning to production. Monitor and manage performance and results.

Engineering MLOps

Emmanuel Raj

El libro "Engineering MLOps" cubre un montón de terreno y no lo consideraría de introducción a MLOps, más bien es para usarlo si ya conoces del área. Una cosa a considerar es que es un libro totalmente centrado en Azure, algo que no queda claro a primera vista

Introducing MLOps

Mark Treveil

un libro completamente teórico pero que no tiene desperdicio, no tiene nada de código, pero cubre muchos aspectos importantes que forman parte de la nueva disciplina. MLOps es una disciplina sociotécnica

Machine Learning Design Patterns

Valliappa Lakshmanan and Michael Munn

Otro buen libro de referencia es "Machine Learning Design Patterns”, contiene un montón de problemas comunes y soluciones a ellos. Es uno de esos libros que tengo a la mano para consultarlo de vez en cuando. Recomendable leerlo aunque no vayas a poner cosas en producción

Machine Learning Engineering in Action

Ben Wilson

Denso en información, más teórico que práctico tenemos "Machine Learning Engineering in Action”, es un libro pesado pero relleno de buenas prácticas y consejos. Me va gustando mucho

Machine Learning Engineering with Python

Andrew P. McMahon

"Machine Learning Engineering with Python”, sentimientos encontrados con este, por una parte creo que se enfoca en muchos temas que escapan el tema de ML, pero por otro el contenido es bueno. Diría que te lo leas si vienes de ingenieria de software a MLOps

Machine Learning Engineering

Andriy Burkov

El libro "Machine Learning Engineering" es una especie de complemento al libro de 100 páginas de ML, este cubre aspectos de puesta en producción de modelos. Al ser un libro pequeño, su contenido es muy directo al grano, es un libro de referencia así que tampoco esperes aprender mucho desde 0

Machine Learning Systems

Jeff Smith

Luego tengo este de "Machine Learning Systems”, lo comencé pero como que no me gustó tanto porque es un libro práctico enfocado en Scala, además de que es muy corto y no profundiza en nada concreto. Si lo tuyo es Scala, échale un ojo

MLOps Engineering at Scale

Carl Osipov

Publisher: MLOps Engineering at Scale teaches you how to implement efficient machine learning systems using pre-built services from AWS and other cloud vendors.

Practical MLOps

Noah Gift and Alfredo Deza

A este si no le veo ni pies ni cabeza, "Practical MLOps”, son un montón de ideas disconexas, como que los autores tienen una gran ambición pero no se ponen de acuerdo para que toda la información fluya amigablemente. En mi opinión, habla poco de MLOps

Reliable Machine Learning

Cathy Chen, Niall Richard Murphy, Kranti Parisa, D. Sculley, Todd Underwood

Francamente este es uno de los mejores libros sobre MLOps que he tenido la fortuna de leer. Creo que el título no le hace justicia, si bien habla de SRE, habla perfectametne de cómo adoptar los principios en el entorno de ML.

Ciencia de Datos / Machine Learning

Applied Text Analysis with Python

Benjamin Bengfort, Rebecca Bilbro, Tony Ojeda

Pasamos al texto, "**Applied Text Analysis with Python**” no es el mejor libro para entender PLN (casi no cubre teoría), pero sí para comenzar a usarlo rápido en tus aplicaciones. Creo que es mejor para programadores con experiencia en Python, a mi me gustó 🟠

Approaching (Almost) Any Machine Learning Problem

Abhishek Thakur

El siguiente, "**Approaching (Almost) Any Machine Learning Problem**”, la verdad es que estoy medio decepcionado por el libro porque tenía grandes expectativas del autor, pero parece más bien una colección de apuntes del autor con poca explicación de lo que va sucediendo – definitivamente no lo volvería a comprar 🔴

Build a Career in Data Science

Emily Robinson and Jacqueline Nolis

Mención honorífica": "**Build a Career in Data Science**”, absolutamente recomendado para quienes quieren tener, o ya tienen, una carrera en a ciencia de datos. No cubre nada técnico (no esperes ecuaciones), más bien te da consejos sobre cómo hacer crecer tu carrera como data scientist 🟢

Data Science from Scratch

Joel Grus

Van libros de ciencia de datos/ML. El primero, "**Data Science from Scratch**", enseña superficialmente los principios de la ciencia de datos, pero contiene mucho código sobre cómo es que funcionan. Bueno para comenzar, pero de ninguna manera la única fuente de conocimiento 🟠

Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow

Aurelien Geron

La joya de la corona, "**Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow**”, creo que es el mejor libro de introducción a machine learning que existe. Muchos detalles, teoría y código, usando bibliotecas estándar. Si solamente puedes conseguir un libro, este es 🟢

Hands-On Unsupervised Learning Using Python

Ankur A. Patel

A pesar de su nombre, "**Hands-On Unsupervised Learning Using Python**” no tiene la misma calidad que el otro “Hands-On…”, creo que hay mejores formas de aprender las técnicas de aprendizaje no-supervisadas, aún así, sy ya conoces las técnicas y quieres conocer otra perspectiva… 🟠

Python for Data Analysis

Wes McKinney

"**Python for Data Analysis**”, es otro de esos libros tipo recetario, no es bueno para comenzar pero bueno para comenzar a manejar pandas para el análisis de datos, habla de varias bibliotecas básicas de la ciencia de datos con Python, creo que es buena inversión considerando todo 🟢

The Hundred-Page Machine Learning Book

Andriy Burkov

Corto y conciso "**The Hundred-Page Machine Learning Book**”, no son exactamente 100 páginas, pero el contenido hace olvidar esa pequeña mentira. Es un libro de referencia, como un diccionario sobre machine learning para conocer y consultar los conceptos básicos de ML (contiene diagramas y fórmulas para mayor claridad) 🟢

Deep Learning Práctico

Deep Learning for Coders with Fastai and PyTorch

Jeremy Howard, Sylvain Gugger

Hecho para la gente ya tiene un conocimiento sólido de programación, "**Deep Learning for Coders with Fastai and PyTorch**”, es un libro bastante bueno, enfocado principalmente en la práctica de las redes neuronales usando el framework Fastai para acelerar las cosas 🟢

Deep learning with Python

François Chollet

Regresando al machine learning, "Deep Learning with Python” es otro de esos libros que recomiendo sin pensarlo. Contiene un buen balance entre teoría y código, aunque las explicaciones no son tan formales como las de un libro de matemáticas. Recomendadísimo

Generative Deep Learning

David Foster

Este libro me gustó bastante, "**Generative Deep Learning**”, explica las bases del funcionamiento de muchas de esas cosas que últimamente están en las noticias. Y tiene ejemplos que te permiten crear cosas básicas pero impresionantes y entretenidas 🟢

Grokking Deep Learning

Andrew W Trask

El libro "**Grokking Deep Learning**” es otro de introducción al aprendizaje profundo, te lo recomiendo si quieres aprender del tema sin el uso de frameworks, comenzando desde 0 con fines educativos. La única queja que tengo ques que puede tener mejores ejemplos, aún así, recomendado 🟢

Natural Language Processing with PyTorch

Delip Rao

"**Natural Language Processing with PyTorch**”, mi queja principal con este libro es que es extremadamente corto, y pareciera que fue hecho medio a prisa. Te recomendaría que obtuvieras conocimientos de NLP antes y uses este libro para aplicarlas en PyTorch 🟠

Programming PyTorch for Deep Learning

Ian Pointer

No puedo recomendar "**Programming PyTorch for Deep Learning**” para todos, siento que es un libro medio superficial en ciertos aspectos, es probable que el conocimiento lo encuentres fácilmente en otros lados. Pero si aprender de libros es definitivamente lo tuyo, adelante 🟠

Python

Elegant SciPy

Juan Nunez-Iglesias, Stéfan van der Walt, Harriet Dashnow

El título suena intrigante "**Elegant SciPy**", pareciera que te va a enseñar a escribir buen código, pero creo que se pierde mucho en ejemplos complicados que no ayudan en nada a entender los conceptos que se pretenden mostrar. Si quieres saber más de Python científico le puedes echar un ojo 🟠

Fluent Python

Luciano Ramalho

Comenzando la sección de Python, tengo "**Fluent Python**”, sin duda uno de los mejores libros sobre Python que he leído. Está orientado a gente con conocimiento intermedio del lenguaje y lleva este conocimiento a otro nivel. Definitivamente uno que tienes que leer 🟢

High Performance Python

Micha Gorelick, Ian Ozsvald

"**High Performance Python**”, este libro me agarró por sorpresa. No es fácil de comprender, y definitivamente no es para principiantes sino para gente con conocimiento avanzado, es muy denso en información y creo que los ejemplos podrían ser más claros, aún así, recomendado 🟢

Python for DevOps

Noah Gift, Kennedy Behrman, Alfredo Deza, Grig Gheorghiu

Con un título engañoso, "**Python for DevOps**” no habla mucho de Python la verdad, más bien debería llamarse simplemente DevOps. Además de que sufre de parecer un montón de posts de blog en forma de libro. Si quieres aprender DevOps, seguro hay mejores libros 🔴

Python Testing with Pytest

Micha Gorelick, Ian Ozsvald

No he leído "**Python Testing with Pytest**”, pero he escuchado buenísimas opiniones sobre él de personas que confío, así que yo creo que 🟢

Visualización de datos

How Charts Lie

Alberto Cairo

Un libro lleno de ejemplos de lo que sí y no se debe hacer, "How Charts Lie”, es una buena lectura para reforzar algunas de las ideas que ya tengas sobre dataviz, o para deshacerte de las no tan buenas prácticas. Es un libro que inclusive le recomendaría a gente no técnica 🟢

Making Data Visual

Danyel Fisher, Miriah Meyer

Un librito pequeño, "**Making Data Visual**”, no es un buen recurso para aprender de visualización de datos en mi opinión, sino que cubre temas que rodean a la disciplina, si te quieres dedicar enteramente a la visualización de datos, creo que es un libro a considerar 🟠

Storytelling with Data

Cole Nussbaumer Knaflic

Hablando de temas menos matemáticos, "**Storytelling with Data**” es un excelente libro sobre tips y técnicas para lograr visualización de datos efectiva. Habiendo dicho eso, es un libro básico, como para comenzar en la tema, no vas a aprender nada extraordinario 🟢