Pattern Recognition and Machine Learning

El clásico académico que trata el machine learning desde una perspectiva completamente probabilística.

ÁreaMachine Learning General
TemaMachine Learning
NivelAvanzado
Publicación2006

Autor(es): Christopher M. Bishop

¿Qué puedes lograr leyendo este libro?

  • Entender el machine learning como inferencia probabilística de principio a fin
  • Derivar formalmente algoritmos como regresión bayesiana, mezclas gaussianas y campos aleatorios
  • Construir una base teórica sólida antes de investigación en ML probabilístico o deep learning bayesiano

Descripción

Bishop presenta el machine learning consistentemente desde una perspectiva bayesiana y probabilística, a diferencia de otros textos más orientados a la optimización frecuentista, cubriendo desde regresión hasta modelos gráficos y redes neuronales con notable rigor matemático.

Para quién es ideal

  • Quien quiere una perspectiva unificadora probabilística del machine learning
  • Estudiantes de posgrado con orientación hacia investigación
  • Complemento avanzado a ESL, con enfoque bayesiano en vez de frecuentista
  • Base teórica antes de libros de deep learning bayesiano

Contenido destacado

  • Teoría de la probabilidad aplicada a ML
  • Modelos lineales para regresión y clasificación
  • Redes neuronales desde una perspectiva probabilística
  • Modelos gráficos y campos aleatorios
  • Métodos de mezcla y EM (Expectation-Maximization)

Ventajas y limitaciones

Ventajas

  • Enfoque probabilístico coherente y unificador poco común en otros textos
  • Referencia clásica ampliamente citada en investigación académica
  • Cobertura rigurosa de modelos gráficos, poco tratados en libros más aplicados

Limitaciones

  • Matemáticamente muy exigente, no recomendable como primer libro de ML
  • Sin código ni ejemplos de implementación práctica

Libros relacionados