Conocer la IA

En esta sección presentamos una serie de recursos para las personas interesadas en el conocimiento de la IA y su evolución técnica y novedades sobre sus prestaciones.

Noticias y novedades en IA

Fuentes recomendadas para una visión rápida y superficial:

• Noticias de IA de Buttondown : Este boletín compacto busca en todas las discusiones de IA en Discord, X y Reddit y resume esta información. 

• LMArena : La tabla de clasificación de Chatbots LLM fue desarrollada por investigadores de UC Berkeley SkyLab y LMArena. Los usuarios votan para calificar a los mejores chatbots LLM e IA, determinando qué respuesta fue mejor, sin saber con qué chatbot están tratando.

Novedades de las principales empresas desarrolladoras:

• Noticias de Anthropics (Claude)

• Noticias de DeepSeek

• Noticias de Mistral

• Blog de OpenAI

• Blog de DeepMind

Revistas y documentación especializada:

• IEEE Spectrum : revista publicada por el IEEE, asociación profesional mundial de ingenieros, técnicos, científicos y profesiones relacionadas.

• The Gradient : artículos sobre IA disponibles en el sitio web o como boletín informativo de Substack.

• ETH AI Digest : resumen de los artículos sobre IA más importantes de ETH como boletín de Stubstack.

• MIT Technology Review : análisis de inteligencia artificial en profundidad en varios formatos de boletines.

• Tecnología IBM : Explicaciones técnicas detalladas de investigadores de IBM sobre IA, nube y ciencia de datos, con ilustraciones. Suele ser una buena introducción a un tema para principiantes.

• Artículos con código : Lee un artículo y prueba el código directamente. Más avanzado.

• Las últimas investigaciones de Google : Las últimas investigaciones directamente de Google AI.

• Blog de IA de DataCamp : Artículos con explicaciones claras sobre aprendizaje automático, aprendizaje profundo y ciencia de datos. Ideal también para principiantes.

Selección bibliográfica

Bishop, Christopher M. Pattern Recognition and Machine Learning. Springer, 2006

El objetivo del reconocimiento de patrones es descubrir regularidades en los datos mediante el uso de algoritmos informáticos y utilizar estas regularidades para realizar acciones como la clasificación de los datos en diferentes categorías.  La teoría de la probabilidad proporciona un marco consistente para la cuantificación y manipulación de la incertidumbre y forma uno de los fundamentos centrales para el reconocimiento de patrones.  PDF

Burkov, Andriy. The Hundred-Page Machine Learning Book. 2019 

Este libro ofrece una introducción concisa y práctica al campo del machine learning. Presenta los conceptos fundamentales, los algoritmos clave y las técnicas esenciales para construir sistemas de machine learning. El autor utiliza un enfoque directo y evita la complejidad matemática innecesaria, lo que lo convierte en una lectura accesible para principiantes y útil para profesionales experimentados.  Más información 

Goodfellow, Ian, et al. Deep Learning. The MIT Press, 2016.

Este libro es un recurso completo sobre aprendizaje profundo, que cubre una amplia gama de temas, desde los fundamentos matemáticos y de aprendizaje automático hasta algoritmos de aprendizaje profundo establecidos y áreas de investigación más especulativas. Los autores proporcionan una descripción detallada de redes neuronales de avance, redes convolucionales y redes recurrentes, así como técnicas avanzadas para regularización y optimización. También discuten los desafíos que motivan el aprendizaje profundo, como la maldición de la dimensionalidad y la necesidad de representaciones distribuidas. Más información

Murphy, Kevin P. Probabilistic Machine Learning: An Introduction. Cambridge, Massachusetts, MIT Press, 2022.

Este libro ofrece una introducción al campo del aprendizaje automático (ML) desde una perspectiva probabilística. El aprendizaje automático se define como la capacidad de un programa de computadora para mejorar su rendimiento en una tarea específica a través de la experiencia. El libro cubre los tipos más comunes de ML, incluyendo el aprendizaje supervisado (donde el objetivo es aprender una función que mapea entradas a salidas), el aprendizaje no supervisado (donde el objetivo es «dar sentido» a los datos sin salidas específicas) y el aprendizaje por refuerzo (donde un agente aprende a interactuar con su entorno para maximizar una recompensa). También se discuten conceptos clave como la incertidumbre, la generalización, el sobreajuste y las limitaciones de varios enfoques. Más información

Murphy, Kevin P. Probabilistic Machine Learning: Advanced Topics. Cambridge, Massachusetts, MIT Press, 2023.  

Este libro ofrece una introducción a las técnicas de aprendizaje automático probabilístico. Incluye temas como modelos gráficos, aprendizaje de representación y modelos generativos. Más información

Russell, Stuart J., y Peter Norvig. Artificial Intelligence: A Modern Approach. 4th ed., Pearson, 2020. 

Una visión moderna y completa del campo de la inteligencia artificial (IA), que abarca lógica, probabilidad y matemáticas continuas; percepción, razonamiento, aprendizaje y acción; y todo, desde dispositivos microelectrónicos hasta exploradores planetarios robóticos.  PDF

Sutton, Richard S. and Andrew G. Barto. Reinforcement Learning: An Introduction. Second edition, in progress. Cambridge, Massachusetts, MIT Press, 2014, 2015.  

Este libro es una introducción al aprendizaje por refuerzo, un enfoque computacional para entender y automatizar el aprendizaje y la toma de decisiones orientadas a objetivos. Se distingue de otros enfoques computacionales por su énfasis en el aprendizaje de un agente a partir de la interacción directa con su entorno, sin depender de una supervisión ejemplar o de modelos completos del entorno. PDF

Conferencias, disertaciones, entrevistas, etcétera

• Podcast Latent Space : aquí los desarrolladores e investigadores hablan sobre las últimas herramientas, modelos y tendencias de IA, a menudo con un vínculo directo a la práctica.

• Podcast de Lex Fridman : Análisis profundos.  Un espacio deal para comprender la IA en un contexto más amplio.

• Canal de YouTube de Andrej Karpathy : Karpathy, exdirector de IA en Tesla e investigador de OpenAI, explica el aprendizaje automático y el aprendizaje profundo de forma comprensible y técnicamente sólida. Su vídeo de 3 horas sobre LLM es imprescindible para principiantes .

• Nvidia AI Podcast : entrevista con destacados investigadores, desarrolladores y líderes de opinión en IA.