La siguiente lista no es exhaustiva y en un par de años puede que ya esté desactualizada, pero es un esfuerzo por concentrar la información y servir de guía a quien quiera familiarizarse con el tema. Un tema desafortunado es que la mayoría de los libros están en inglés, en la medida de lo posible señalo a la traducción si está disponible.
He divido la lista de libros en tres categorias
En la última década el aprendizaje profundo (deep learning, DL) se ha posicionado como una de las metodologías más robustas para la Inteligencia Artificial (artificial intelligence, AI). Se ha aplicado a tareas de:
Parte del avance y éxito del campo se debe a la apertura y accesibilidad de recursos que permiten entender, replicar, mejorar y aplicar los sistemas basados en DL. Aquí una pequeña guía de como comenzar a adentrarse en el deep learning.
El método de descenso por gradiente, gradient descent de ahora en adelante, es uno de los algoritmos de optimización más populares en aprendizaje automático, particularmente por su uso extensivo en el campo de las redes neuronales. Gradient descent es un método general de minimización para cualquier función $f$. A la versión original se le considera lenta pero versátil, sobretodo para casos de que la funciones multi-dimensionales.
Al algoritmo gradient descent se le conoce por varios nombres, sobretodo en la literatura en inglés (vanilla gradient descent, batch gradient descent). A veces se les da el nombre de steepest descent, pero este término es más propio para aproximación analítica de integrales . El algoritmo también tiene una versión gemela bizarra que en lugar de buscar por un mínimo busca el punto máximo de una función.