Los 10 mejores libros de Inteligencia Artificial (IA) en 2024.
Los avances rápidos en inteligencia artificial (IA) están transformando industrias y remodelando la fuerza laboral global. Según un informe de McKinsey, aproximadamente el 15 por ciento de la fuerza laboral global, es decir, unos 400 millones de trabajadores, podrían ser desplazados por la automatización entre 2016 y 2030. Este cambio monumental resalta la importancia de entender la IA y sus implicaciones. Ya sea que seas un profesional experimentado o un recién llegado curioso, profundizar en las complejidades de la IA es esencial. Para ayudarte a navegar por este panorama en evolución, hemos curado una lista de los 10 mejores libros sobre IA. Estas lecturas perspicaces te equiparán con el conocimiento para mantenerte a la vanguardia en un mundo cada vez más automatizado.
1. "Superintelligence: Paths, Dangers, Strategies" de Nick Bostrom
vía Amazon
"Superintelligence" profundiza en el intrigante ámbito de lo que sucede cuando las máquinas superan la inteligencia humana. Nick Bostrom plantea preguntas fundamentales: ¿se convertirán los agentes artificiales en los salvadores de la humanidad o conducirán a su destrucción? A través de su exploración, Bostrom establece una base profunda para comprender la trayectoria de la vida inteligente y el futuro de la humanidad.
El cerebro humano posee capacidades únicas que nos distinguen de otras especies, otorgándonos una posición dominante en el mundo. Sin embargo, si la inteligencia de las máquinas llegara a superar la humana, la superinteligencia resultante podría ejercer un poder sin precedentes, potencialmente más allá de nuestra capacidad de control. De manera similar a como el destino de los gorilas ahora depende más de las acciones humanas que de la especie misma, el destino de la humanidad estaría intrínsecamente ligado a las acciones de esta superinteligencia artificial.
No obstante, los humanos poseen una ventaja crucial: tenemos la oportunidad de dar los primeros pasos. ¿Es posible crear una semilla de Inteligencia Artificial, diseñando condiciones que aseguren una explosión de inteligencia viable? ¿Cómo podemos orquestar una transición controlada?
El trabajo de Bostrom emprende un viaje profundamente ambicioso y original, navegando por complejos terrenos intelectuales. A través de una exploración fascinante que empuja los límites de nuestra comprensión de la humanidad y el futuro de la vida inteligente, Bostrom ofrece nada menos que una reimaginación de la tarea más esencial de nuestra era.
2. "An Introduction to Universal Artificial Intelligence (Chapman & Hall/CRC Artificial Intelligence and Robotics Series) 1st Edition" de Marcus Hutter
vía Amazon
An Introduction to Universal Artificial Intelligence proporciona la base formal de lo que significa que un agente actúe inteligentemente en un entorno desconocido. Presentado por primera vez en Universal Algorithmic Intelligence (Hutter, 2000), UAI ofrece un marco en el que casi todos los problemas de IA pueden formularse, y una teoría de cómo resolverlos. UAI unifica ideas de la teoría de decisiones secuenciales, la inferencia bayesiana y la teoría de la información algorítmica para construir AIXI, un agente de aprendizaje por refuerzo óptimo que aprende a actuar de manera óptima en entornos desconocidos. AIXI es el estándar teórico de oro para el comportamiento inteligente.
El libro cubre tanto los aspectos teóricos como prácticos de UAI. La actualización bayesiana se puede realizar de manera eficiente con ponderación de árbol de contexto, y la planificación se puede aproximar mediante muestreo con búsqueda de árbol Monte Carlo. Proporciona algoritmos para que el lector los implemente, y resultados experimentales para comparar. Estos algoritmos se utilizan para aproximar AIXI. El libro termina con una discusión filosófica sobre la Inteligencia Artificial General: ¿es posible construir agentes superinteligentes? ¿Es inevitable que se construyan, y cuáles son las posibles consecuencias?
Este texto es adecuado para estudiantes de pregrado avanzados. Proporciona un extenso capítulo para llenar el fondo matemático requerido, probabilidad, teoría de la información y computabilidad.
3. "Probabilistic Machine Learning: An Introduction (Adaptive Computation and Machine Learning series)" de Kevin P. Murphy
vía Amazon
Este libro ofrece una introducción detallada y actualizada al aprendizaje automático (incluido el aprendizaje profundo) a través de la lente unificadora de los modelos probabilísticos y la teoría de decisiones bayesianas. El libro cubre el fondo matemático (incluyendo álgebra lineal y optimización), el aprendizaje supervisado básico (incluyendo regresión lineal y logística y redes neuronales profundas), así como temas más avanzados (incluyendo aprendizaje por transferencia y aprendizaje no supervisado). Los ejercicios al final de cada capítulo permiten a los estudiantes aplicar lo que han aprendido, y un apéndice cubre la notación.
Probabilistic Machine Learning surgió del libro del autor de 2012, Machine Learning: A Probabilistic Perspective. Más que una simple actualización, este es un libro completamente nuevo que refleja los desarrollos dramáticos en el campo desde 2012, especialmente el aprendizaje profundo. Además, el nuevo libro está acompañado de código en Python en línea, utilizando bibliotecas como scikit-learn, JAX, PyTorch y Tensorflow, que se puede usar para reproducir casi todas las figuras; este código se puede ejecutar dentro de un navegador web usando cuadernos basados en la nube, y proporciona un complemento práctico a los temas teóricos discutidos en el libro. Este texto introductorio será seguido por una secuela que cubre temas más avanzados, adoptando el mismo enfoque probabilístico.
4. "Inteligencia Artificial en la Educación Superior y la Investigación Científica: Desarrollo Futuro (Bridging Human and Machine: Future Education with Intelligence) 2023rd Edition" por Fatima Roumate
via Amazon
Este libro explica la interacción entre la inteligencia artificial y la educación superior. Explora el impacto tangible e intangible de la inteligencia artificial en la educación superior y la investigación científica, y discute cómo la educación superior y la investigación científica mejoran el progreso de las tecnologías de inteligencia artificial. Basado en un análisis sistemático con un enfoque multidisciplinario y una combinación de teoría y práctica, el libro ofrece perspectivas originales sobre el uso masivo de la inteligencia artificial en la educación superior y la investigación científica desde la aparición de la COVID-19. Este libro también aborda la ética en la inteligencia artificial, considerando la recomendación sobre la ética de la inteligencia artificial adoptada por la UNESCO. Explica la importancia de la soberanía tecnológica y las nuevas estrategias para enfrentar los desafíos actuales y futuros relacionados con el aprendizaje electrónico, el aprendizaje profundo y el aprendizaje automático.
5. "Fundamentos de Alfabetización en IA: Ayudándote a unirte a la conversación sobre IA" por Ben Jones
via Amazon
¿Te sientes abrumado por la IA? No eres tú—es la velocidad vertiginosa del progreso tecnológico. Para unirte rápidamente a la conversación sobre IA, necesitas una base clara y simple de conocimientos sobre la que construir. Este libro es una introducción amigable a los conceptos básicos de la IA, cómo ya se ha infiltrado en nuestras vidas diarias y qué necesitamos saber para prepararnos para el futuro.
Ben Jones, un experto en desglosar conceptos técnicos de enseñar a miles de personas lo básico de la alfabetización de datos, expone todo lo que necesitas saber para unirte a la conversación sobre IA, desde la historia de la IA hasta la revolución del aprendizaje profundo que está ocurriendo hoy. Esta tecnología ha llegado para quedarse. Es hora de que te acerques a la mesa.
6. "Ingeniería de Prompts de LLM para Desarrolladores: El Arte y la Ciencia de Desbloquear el Verdadero Potencial de los LLMs" por Aymen El Amri
via Amazon
Un enfoque práctico para la ingeniería de prompts para desarrolladores. Sumérgete en el mundo de la agilidad en la ingeniería de prompts, optimizando tus prompts para interacciones dinámicas con los LLMs. Aprende con ejemplos prácticos del mundo real y mejora tu experiencia como desarrollador con los LLMs. Descubre cómo los prompts correctos pueden revolucionar tus interacciones con los LLMs.
En "Ingeniería de Prompts de LLM para Desarrolladores", emprendemos un exhaustivo viaje al mundo de los LLMs y el arte de crear prompts efectivos para ellos.
La guía comienza estableciendo la base, explorando la evolución del Procesamiento de Lenguaje Natural (NLP) desde sus primeros días hasta los sofisticados LLMs con los que interactuamos hoy. Te sumergirás profundamente en las complejidades de modelos como los modelos GPT, entendiendo su arquitectura, capacidades y matices.
A medida que avanzamos, esta guía enfatiza la importancia de la ingeniería de prompts efectiva y sus mejores prácticas. Aunque los LLMs como ChatGPT (GPT-3.5 y GPT-4) son poderosos, su potencial completo solo se realiza cuando se comunican de manera efectiva. Aquí es donde entra en juego la ingeniería de prompts. No se trata simplemente de hacerle una pregunta al modelo; se trata de cómo formularla, el contexto y entender la lógica del modelo.
7. "Inteligencia Artificial: Un Enfoque Moderno (Serie Pearson en Inteligencia Artificial) 4ª Edición" por Stuart Russell y Peter Norvig
via Amazon
La introducción más completa y actualizada sobre la teoría y la práctica de la inteligencia artificial
La tan esperada revisión de Inteligencia Artificial: Un Enfoque Moderno explora toda la amplitud y profundidad del campo de la inteligencia artificial (IA). La 4ª Edición pone a los lectores al día sobre las últimas tecnologías, presenta los conceptos de manera más unificada y ofrece cobertura nueva o ampliada de aprendizaje automático, aprendizaje profundo, aprendizaje por transferencia, sistemas multiagente, robótica, procesamiento de lenguaje natural, causalidad, programación probabilística, privacidad, equidad y IA segura.
8. "Cambrian Intelligence: The Early History of the New AI 1st Edition" by Rodney A Brooks
via Amazon
Until the mid-1980s, AI researchers assumed that an intelligent system doing high-level reasoning was necessary for the coupling of perception and action. In this traditional model, cognition mediates between perception and plans of action. Realizing that this core AI, as it was known, was illusory, Rodney A. Brooks turned the field of AI on its head by introducing the behavior-based approach to robotics. The cornerstone of behavior-based robotics is the realization that the coupling of perception and action gives rise to all the power of intelligence and that cognition is only in the eye of an observer. Behavior-based robotics has been the basis of successful applications in entertainment, service industries, agriculture, mining, and the home. It has given rise to both autonomous mobile robots and more recent humanoid robots such as Brooks' Cog.
This book represents Brooks' initial formulation of and contributions to the development of the behavior-based approach to robotics. It presents all of the key philosophical and technical ideas that put this "bottom-up" approach at the forefront of current research in not only AI but all of cognitive science.
9. "Introduction to Deep Learning for Healthcare 1st ed. 2021 Edition" by Cao Xiao and Jimeng Sun
via Amazon
This comprehensive textbook delves into the realm of deep learning models and their significant applications within the healthcare sector. It places a strong emphasis on leveraging extensive health data and employing deep learning models proficiently for effective data modeling.
Healthcare data, particularly electronic health records (EHRs), have witnessed widespread adoption and have significantly transformed healthcare delivery in recent times. EHRs offer a pivotal advantage by capturing comprehensive patient encounters encompassing rich multi-modality data. This data comprises both structured information, such as medical codes for diagnoses, lab results, and medication details, as well as unstructured data, including clinical notes, medical imaging data like X-rays and MRIs, and time-series data such as ECGs and EEGs. Moreover, the proliferation of wearable sensors has led to the accumulation of self-generated patient data, further enriching healthcare datasets. The authors explore various deep learning case studies across these diverse data types.
Deep learning models, a subset of neural network methods with numerous layers, have demonstrated prowess in extracting intricate features from raw data. Their application in healthcare represents a natural and promising progression, yielding numerous successful outcomes. The textbook delves into a plethora of deep learning architectures, including deep neural networks, convolutional neural networks, recurrent neural networks, embedding methods, autoencoders, attention models, graph neural networks, memory networks, and generative models. Each model is illustrated through concrete healthcare case studies, ranging from clinical predictive modeling and readmission prediction to x-ray classification, ECG diagnosis, and medication recommendation, among others.
Tailored for graduate-level students with a focus on deep learning methodologies and their healthcare applications, this textbook serves as an invaluable resource for understanding core concepts in deep learning and their practical implementations. Additionally, researchers in the field will find it immensely beneficial for advancing their investigations and contributing to the evolving landscape of deep learning in healthcare.
10. "Artificial Intelligence for Humans, Volume 1: Fundamental Algorithms" by Jeff Heaton
via Amazon
Several AI books are available, but many require a foundational understanding. Jeff Heaton's "Artificial Intelligence for Humans: Volume 1" aims to fill this gap in an accessible manner.
Within its pages, readers gain insight into fundamental AI algorithms, particularly within the realm of machine learning. Volume 1 introduces concepts such as learning within computer networks and various types of machine learning. From supervised to unsupervised learning, the author navigates through essential techniques like regression and clustering, empowering readers to construct and train expansive learning models.
As Jeff Heaton notes, "Computer-based neural networks differ from the human brain in their lack of general-purpose computation. They are specialized for specific tasks."
