Un repositorio completo que documenta mi viaje de aprendizaje en Inteligencia Artificial, organizado por una colección curada de libros fundamentales y avanzados en el campo.
Este repositorio está diseñado para ser una guía de aprendizaje estructurada en IA, desde los fundamentos de ciencias de la computación hasta temas avanzados como Large Language Models, Agents y sistemas de IA generativa. Cada libro ha sido seleccionado cuidadosamente para proporcionar una formación sólida y progresiva en el campo.
📦 AI-Journey
├── 📁 Computer Science and Other Fundamentals
├── 📁 Artificial Intelligence (General)
├── 📁 Fundamentals of Programming and Mathematics
│ ├── 📂 Probability
│ ├── 📂 Statistics and Statistical Learning
│ ├── 📂 Analysis and Advanced Mathematics
│ ├── 📂 Mathematics for Machine Learning
│ └── 📂 Linear Algebra and Fundamentals
├── 📁 Introduction to Machine Learning
│ ├── 📂 Fundamentals and Theory
│ ├── 📂 Practical and Applied
│ └── 📂 Advanced and Comprehensive
├── 📁 Computer Vision
├── 📁 Natural Language Processing (NLP)
│ ├── 📂 Fundamentals
│ ├── 📂 Modern NLP and Transformers
│ └── 📂 Practical Implementation
├── 📁 Deep Learning
│ ├── 📂 Fundamentals
│ ├── 📂 Frameworks (TensorFlow, PyTorch)
│ ├── 📂 Generative Models
│ └── 📂 Historical and Alternative Versions
├── 📁 Reinforcement Learning
├── 📁 Time Series y Forecasting
├── 📁 Large Models and Generative AI
│ ├── 📂 LLM Fundamentals
│ ├── 📂 LangChain and Frameworks
│ └── 📂 Implementation and Engineering
├── 📁 Agents
├── 📁 Software Engineering and Systems for AI
├── 📁 Philosophy, Ethics and Society
└── 📁 Advanced Topics and Specialization
Introduction to Computer Science – Franchitti (2025) Proporciona una base completa en conceptos fundamentales de ciencias de la computación, cubriendo pensamiento computacional, algoritmos, arquitecturas de sistemas, desarrollo de aplicaciones web modernas y ciberseguridad.
Redes de Computadoras 5ª ed. – Tanenbaum (2011) El texto introductorio más utilizado en redes de computadoras. Cubre tecnologías de red con énfasis especial en redes inalámbricas, 802.11, Bluetooth, redes 3G, ADSL, Internet por cable, Gigabit Ethernet y redes peer-to-peer.
Automate the Boring Stuff with Python 2nd Edition – Sweigart (2019) Enseña cómo escribir programas que realizan en minutos tareas que tomarían horas manualmente. Cubre fundamentos de Python 3 mientras explora su rica biblioteca de módulos para tareas prácticas como web scraping, automatización de formularios y procesamiento de PDFs.
Curso Intensivo de Python – Matthes (2023) El libro de programación más vendido del mundo. Cubre no solo los fundamentos de Python sino que permite ponerlos en práctica en una serie de proyectos que involucran análisis de datos, desarrollo web y juegos.
Python for Data Analysis – Wes McKinney (2022) Guía práctica y moderna para herramientas de ciencia de datos en Python, escrita por el creador de pandas. Cubre NumPy, pandas, IPython, Jupyter notebooks, matplotlib y técnicas de wrangling, limpieza, transformación y visualización de datos.
Artificial Intelligence A Modern Approach – Russell & Norvig (2019) El libro de texto más popular en IA a nivel mundial, utilizado en más de 1500 universidades. Cubre desde algoritmos de búsqueda clásicos y lógica proposicional hasta sistemas multi-agente y problemas de satisfacción de restricciones.
Artificial Intelligence A Guide for Thinking Humans – Mitchell (2019) Una guía accesible sobre inteligencia artificial diseñada para humanos pensantes, explorando los conceptos fundamentales y las implicaciones de la IA.
The Quest for Artificial Intelligence – Nilsson (2010) Historia completa del desarrollo de la inteligencia artificial desde sus inicios hasta el siglo XXI.
Logical Foundations of Artificial Intelligence – Genesereth & Nilsson (1987) Fundamentos lógicos de la inteligencia artificial, explorando sistemas basados en lógica y razonamiento formal.
Probabilistic Reasoning in Intelligent Systems – Pearl (1988) Obra seminal de Judea Pearl sobre razonamiento probabilístico y redes bayesianas en sistemas inteligentes.
Society of Mind – Minsky (1986) Teoría de Marvin Minsky sobre cómo la inteligencia emerge de la interacción de agentes simples sin inteligencia.
Programs with Common Sense – McCarthy (1958) Artículo histórico de John McCarthy sobre programas con sentido común, uno de los trabajos fundacionales de la IA.
Developing Autonomous Agent Systems – Winikoff & Padgham (2004) Guía práctica para el desarrollo de sistemas de agentes autónomos.
Lecture Notes in Artificial Intelligence – Georgeff, Pell, Pollack (1998) Colección de notas de conferencias sobre temas avanzados en inteligencia artificial.
Lecture Notes in Computer Science 2222 – Parunak et al. (2001) Notas de conferencias sobre ciencias de la computación aplicadas a sistemas multi-agente.
A First Course in Probability (5th Edition) – Sheldon M. Ross Introducción completa a la teoría de probabilidad, base fundamental para machine learning y estadística.
Introduction to Probability – Dimitri P. Bertsekas, John N. Tsitsiklis Texto riguroso sobre probabilidad utilizado en MIT, cubriendo desde fundamentos hasta procesos estocásticos.
Introduction to Probability – Joseph K. Blitzstein & Jessica Hwang (2014) Enfoque intuitivo y práctico a la probabilidad con múltiples ejemplos y aplicaciones.
An Introduction to Statistical Learning with Applications in Python – James, Witten, Hastie & Tibshirani (2023) Introducción accesible al aprendizaje estadístico con laboratorios en Python. Cubre regresión lineal, clasificación, métodos de remuestreo, árboles de decisión, SVM, clustering, deep learning y más.
Introduction to Mathematical Statistics – Robert V. Hogg, Joseph W. McKean Fundamentos matemáticos rigurosos de estadística inferencial.
Practical Statistics for Data Scientists 50 Essential Concepts – O'Reilly Media 50 conceptos estadísticos esenciales explicados de forma práctica para científicos de datos.
Probability and Statistics – Morris DeGroot, Mark Schervish Texto completo que combina teoría de probabilidad y estadística inferencial.
The Elements of Statistical Learning – Trevor Hastie, Robert Tibshirani Obra avanzada y completa sobre aprendizaje estadístico, data mining y métodos de predicción.
Concrete Mathematics – Ronald Graham, Donald Knuth, Oren Patashnik Clásico de combinatoria y matemáticas discretas, esencial para análisis de algoritmos.
Understanding Analysis – Stephen Abbott Introducción rigurosa al análisis matemático con enfoque en comprensión profunda.
Mathematics for Machine Learning – Marc Peter Deisenroth, A. Aldo Faisal, Cheng Soon Ong (2023) Matemáticas fundamentales para machine learning: álgebra lineal, geometría analítica, descomposición matricial, cálculo vectorial, probabilidad y optimización.
Mathematics for Machine Learning. A Deep Dive into Algorithms – N. Sahu (2023) Inmersión profunda en las matemáticas detrás de los algoritmos de machine learning.
Linear Algebra and Its Applications – David C. Lay (2016) Texto fundamental de álgebra lineal con aplicaciones prácticas, esencial para machine learning.
Pattern Recognition and Machine Learning – Bishop (2006) Introducción completa a pattern recognition y machine learning desde una perspectiva bayesiana. Primera obra que presenta modelos gráficos probabilísticos y métodos de inferencia determinística de forma comprensiva.
The Hundred-Page Machine Learning Book – Burkov Todo lo necesario sobre machine learning en cien páginas. Maestría a través de claridad, no complejidad. Traducido a 11 idiomas y usado en miles de universidades, cubre desde fundamentos hasta técnicas avanzadas.
Understanding Machine Learning – Shalev-Shwartz & Ben-David Introducción rigurosa a los paradigmas algorítmicos del machine learning. Proporciona fundamentos teóricos, derivaciones matemáticas y transformación de principios en algoritmos prácticos.
An Introduction to Statistical Learning – James et al. (2023) (Ver sección Statistics and Statistical Learning)
Hands-On Machine Learning – Géron (2022) Guía práctica usando Scikit-Learn, Keras y TensorFlow. Cubre desde regresión lineal hasta redes neuronales profundas, GANs, autoencoders, modelos de difusión y transformers. Incluye ejemplos concretos y marcos de trabajo listos para producción.
Designing Machine Learning Systems – Huyen (2022) Enfoque holístico para diseñar sistemas ML confiables, escalables y mantenibles. Cubre ingeniería de datos, desarrollo de modelos, despliegue, aprendizaje continuo y IA responsable usando casos de estudio reales.
Machine Learning From the Classics – Theodoridis (2025) Perspectiva completa sobre machine learning desde los métodos clásicos hasta las técnicas modernas.
Advances in Machine Learning and Big Data Analytics – Patel et al. (2023) Avances recientes en machine learning y análisis de big data.
Computer Vision. Algorithms and Applications – Richard Szeliski Explora la variedad de técnicas para analizar e interpretar imágenes. Describe aplicaciones desafiantes del mundo real como búsqueda de imágenes y navegación autónoma. Escrito por un experto con más de 40 años de experiencia.
Deep Learning for Computer Vision with Python – Adrian Rosebrock (2017) Aplicación práctica de deep learning para resolver problemas de visión por computadora usando Python.
Multiple View Geometry in Computer Vision – Hartley & Zisserman Texto avanzado sobre geometría multi-vista, fundamental para reconstrucción 3D y SLAM.
Programming Computer Vision with Python – Jan Erik Solem Guía práctica para programar aplicaciones de visión por computadora usando Python.
Speech and Language Processing – Jurafsky & Martin El texto más utilizado en NLP. Enfoque empírico basado en algoritmos estadísticos y de machine learning aplicados a grandes corpus. La tercera edición incluye temas modernos como LLMs, alineación de preferencias con DPO, ASR (Whisper) y TTS.
Natural Language Processing with Transformers – Tunstall, von Werra, Wolf (2022) Escrito por creadores de Hugging Face Transformers. Cubre construcción, depuración y optimización de modelos transformer para tareas NLP, transfer learning cross-lingual y técnicas de eficiencia como distillation, pruning y quantization.
Introduction to Transformers for NLP – Jain (2022) Introducción accesible a la arquitectura transformer y su aplicación en NLP.
The Hundred-Page Language Models Book – Andriy Burkov (2025) Guía concisa sobre modelos de lenguaje con implementaciones prácticas en PyTorch, del autor del bestseller sobre machine learning.
Natural Language Processing with Python and spaCy – Vasiliev (2020) Implementación práctica de NLP usando Python y la biblioteca spaCy.
Python Natural Language Processing Cookbook – Antić (2021) Recetario de soluciones prácticas para problemas comunes en NLP usando Python.
Deep Learning – Goodfellow, Bengio, Courville (2017) El libro de texto definitivo sobre deep learning. Introduce una amplia gama de temas permitiendo que las computadoras aprendan de la experiencia y entiendan el mundo en términos de una jerarquía de conceptos. Aproximadamente 800 páginas escritas por expertos reconocidos.
Deep Learning Foundations and Concepts – Bishop & Bishop (2023) Fundamentos modernos y conceptos de deep learning por Christopher Bishop y su hijo Hugh Bishop.
Neural Networks and Deep Learning – Michael Nielsen Introducción accesible y visual a redes neuronales y deep learning disponible gratuitamente online.
Dive into Deep Learning – Aston Zhang (2023) Recurso interactivo y práctico para aprender deep learning con código ejecutable y matemáticas.
Mastering TensorFlow – Ansari (2023) Dominio de TensorFlow para construir y desplegar modelos de deep learning.
Neural Networks with TensorFlow and Keras – Hua (2025) Construcción de redes neuronales usando TensorFlow y Keras, con enfoque práctico.
Pro Deep Learning with TensorFlow 2.0 – Pattanayak (2023) Deep learning profesional con la versión 2.0 de TensorFlow.
Deep Learning with PyTorch – Subramanian (2018) Guía práctica para implementar modelos de deep learning usando PyTorch.
Generative Deep Learning – Foster (2023) Exploración completa de modelos generativos incluyendo VAEs, GANs, modelos de difusión y transformers generativos.
Parallel Distributed Processing Vol. 1 – Rumelhart & McClelland (1986) Obra histórica fundamental sobre procesamiento distribuido paralelo y conexionismo.
Reinforcement Learning An Introduction – Sutton & Barto (2018) El texto definitivo sobre reinforcement learning. Proporciona una explicación clara y simple de las ideas y algoritmos clave del campo. La segunda edición presenta nuevos algoritmos como UCB, Expected Sarsa y Double Learning.
Deep Reinforcement Learning Hands-On – Maxim Lapan Guía práctica para implementar algoritmos de deep reinforcement learning.
Algorithms for Reinforcement Learning – Csaba Szepesvári Algoritmos fundamentales para reinforcement learning con enfoque teórico.
Reinforcement Learning and Optimal Control – Dimitri Bertsekas Perspectiva de control óptimo aplicada al reinforcement learning.
Forecasting. Principles and Practice – Hyndman & Athanasopoulos Principios y práctica del forecasting moderno con enfoque en métodos estadísticos.
Practical Time Series Analysis – Nielsen Análisis práctico de series temporales con aplicaciones reales.
Hands-On Large Language Models – Alammar (2024) Guía práctica para usar Large Language Models escrita por Jay Alammar (Cohere) y Maarten Grootendorst. Cubre herramientas prácticas para copywriting, resumen, búsqueda semántica, clasificación y clustering de texto usando bibliotecas Python.
AI Engineering Building Applications with Foundation Models – Huyen (2025) Construcción de aplicaciones de IA usando modelos fundacionales, de la autora de "Designing Machine Learning Systems".
LLM Design Patterns – Huang (2025) Patrones de diseño para trabajar efectivamente con Large Language Models.
LangChain in Your Pocket – Gupta (2024) Guía de referencia rápida para usar LangChain en aplicaciones de LLM.
Neural Networks with TensorFlow and Keras – Hua (2025) (Ver sección Frameworks)
Prompt Engineering v7 – (2023-2024) Guía sobre técnicas de prompt engineering para optimizar interacciones con LLMs.
Building AI Agents with LLMs RAG and Knowledge Graphs – Raieli & Iuculano Guía práctica para construir agentes autónomos y modernos usando LLMs, retrieval-augmented generation (RAG) y knowledge graphs. Incluye ejemplos en Python usando bibliotecas populares.
Building Agentic AI Systems – Biswas & Talukdar (2025) Construcción de sistemas de IA agéntica con capacidades de planificación y acción autónoma.
Building Business-Ready Generative AI Systems – Rothman (2025) Sistemas de IA generativa listos para producción en contextos empresariales.
Generative AI with LangChain – Auffarth & Kuligin (2025) Implementación de IA generativa usando el framework LangChain.
Designing Data-Intensive Applications – Kleppmann (2015) Guía práctica y completa sobre el diseño de sistemas data-intensive. Examina pros y contras de diversas tecnologías para procesar y almacenar datos, cubriendo escalabilidad, consistencia, confiabilidad, eficiencia y mantenibilidad.
Fluent Python 2nd Edition – Ramalho (2022) Dominio profundo de Python para escribir código efectivo e idiomático.
Machine Learning Design Interview – Pham (2022) Preparación para entrevistas de diseño de sistemas de machine learning.
UiPath Automation Best Practice Guide – (2021) Mejores prácticas para automatización usando UiPath.
Building Machine Learning Powered Applications – Emmanuel Ameisen Construcción de aplicaciones completas potenciadas por machine learning.
Atlas of AI – Kate Crawford Exploración crítica del impacto social, político y ambiental de la inteligencia artificial.
Weapons of Math Destruction – Cathy O'Neil Análisis de cómo los algoritmos aumentan la desigualdad y amenazan la democracia.
Life 3.0 – Max Tegmark Exploración del futuro de la vida en la era de la inteligencia artificial.
Human Compatible – Stuart Russell Propuesta para crear IA compatible con valores humanos por uno de los autores de "AI: A Modern Approach".
The Alignment Problem – Brian Christian Exploración del problema de alineación en IA: cómo asegurar que los sistemas de IA actúen según nuestras intenciones.
AI Superpowers China, Silicon Valley, and the New World Order – Kai-Fu Lee (2020) Análisis de la competencia en IA entre China y Silicon Valley y su impacto en el orden mundial.
Superinteligencia Caminos, peligros, estrategias – Nick Bostrom (2014) Análisis filosófico sobre los riesgos y desafíos de la superinteligencia artificial.
Advances in Mathematics – Ashokkumar Patel, Nishtha Kesswani, Madhusudhan Avances en matemáticas aplicadas a la inteligencia artificial y machine learning.
- Aprendizaje Estructurado: Seguir un camino de aprendizaje lógico desde fundamentos hasta temas avanzados
- Documentación Completa: Registrar insights, implementaciones y experimentos de cada libro
- Práctica Continua: Implementar conceptos teóricos en proyectos prácticos
- Recursos Compartidos: Crear un recurso útil para otros en su viaje de aprendizaje de IA
Este es un proyecto de aprendizaje continuo. El contenido se actualiza regularmente a medida que avanzo en los diferentes libros y áreas de estudio.
Este es un proyecto de aprendizaje personal, pero las sugerencias y discusiones son bienvenidas a través de issues.
Este repositorio es principalmente para fines educativos. Los libros mencionados son propiedad de sus respectivos autores y editoriales.
Última actualización: Octubre 2025