Libros

Understanding Deep Learning
por Simon J.D. Prince
MIT Press, 2023

PDF gratuíto del libro disponible en here si quieren comprarlo disponible formato hardcopy o ebook.

Álgebra Lineal

• Kolter Repaso de Álgebra Lineal de J. Zico Kolter
• Strang-MOOC Curso online Matrix Methods In Data Analysis, Signal Processing, And Machine Learning basado en [Strang-Data]
• Strang-Data Linear Algebra and Learning from Data (2019) by Gilbert Strang (gilstrang@gmail.com) ISBN 13: 978-06921963-8-0
• Introduction to Linear Algebra, Sixth Edition (2023), por Gilbert Strang.

Cálculo matricial

• The Matrix Calculus You Need For Deep Learning Terrence Parr y Jeremy Howard
• Matrix Calculus (for Machine Learning and Beyond)
• The Matrix Cookbook Atención: NO usen el link matrixcoobook.com

Matemática para Aprendizaje Automático

• MML Mathematics for Machine Learning by Marc Peter Deisenroth, A. Aldo Faisal, and Cheng Soon Ong. Este libro tiene mucho más contenido que el que vamos a necesitar pero los capítulos 2, 3, 4 y 5 son los capítulos útiles para nosotros.
• WASS All of Statistics - Larry Wasserman. Por si quieren repasar teoría de probabilidades y estadística.

Aprendizaje Automático

• ISLP An Introduction to Statistical Learning with Python by Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, Jonathan Taylor. ISBN-13 978-3031387463. En especial la versión de Python.
• UDL Understanding Deep Learning by Simon J.D. Prince Published by MIT Press Dec 5th 2023
• MMDS Mining of Massive Datasets. Jure Leskovec, Anand Rajaraman, Jeff Ullman

Deep Learning

• Book: Alice’s Adventures in a differentiable wonderland Diferenciación automática.

Papers de interés

Regresión y regularización

• Tibshirani, R. (1996). Regression Shrinkage and Selection via the Lasso. Journal of the Royal Statistical Society. Series B (Methodological), 58(1), 267–288. http://www.jstor.org/stable/2346178
• Tibshirani, R. J. (2012). The Lasso Problem and Uniqueness. arXiv [Math.ST]. Disponible también en: http://arxiv.org/abs/1206.0313

Redes Neuronales

• Wurzberger F, Schwenker F. Learning in Deep Radial Basis Function Networks. Entropy. 2024; 26(5):368. https://doi.org/10.3390/e26050368
• Kurt Hornik , Maxwell Stinchcombe, Halbert White (1989). Multilayer feedforward networks are universal approximators. Neural Networks Volume 2, Issue 5. Disponible en: https://www.sciencedirect.com/science/article/pii/0893608089900208
• Kingma, D. P., & Ba, J. (2017). Adam: A Method for Stochastic Optimization. arXiv [Cs.LG]. Retrieved from http://arxiv.org/abs/1412.6980
• Masters, D., & Luschi, C. (2018). Revisiting Small Batch Training for Deep Neural Networks. CoRR, abs/1804.07612. Retrieved from http://arxiv.org/abs/1804.07612
• Ba, J. L., Kiros, J. R., & Hinton, G. E. (2016). Layer Normalization. arXiv [Stat.ML]. Retrieved from http://arxiv.org/abs/1607.06450

Materiales adicionales

• Scientific Python Lectures Lecciones del Lenguaje de programación Python, o
• The Python Tutorial para un tutorial con elementos importantes del lenguaje. Hecho por la fundación Python.
• NumPy - Learn
• SciPy (SciPy User Guide) tiene tutoriales y documentación.