Libros para aprender inteligencia artificial
Los libros ocupan un lugar raro en este campo. Envejecen más rápido que en cualquier otra disciplina técnica, y sin embargo los buenos siguen siendo la única forma de construir una base ordenada, porque un video de YouTube no puede darte la estructura que da un libro.
La forma correcta de usarlos casi nunca es leerlos de punta a punta. Son referencia de escritorio: se abren cuando algo quedó a medias en un curso o en un paper. Murphy en particular está pensado así, y quien intenta leerlo lineal suele abandonarlo en el capítulo cuatro.
Varios de los mejores tienen PDF gratuito publicado por los propios autores — están marcados con la etiqueta «gratis».
21 recursos
PDF gratis, versiones en R y Python. El mejor libro para entender de verdad bias-variance, regularización, validación cruzada y árboles.
Capítulo a capítulo: attention, GPT, pretraining, fine-tuning para clasificación e instrucciones. Todo el código es gratis en GitHub.
El libro de referencia para llevar ML a producción: datos, features, despliegue, monitoreo, deriva de datos.
Libro interactivo: cada concepto viene con código ejecutable en PyTorch, JAX y TensorFlow. Usado en 500+ universidades. Hay traducción al español parcial.
El libro práctico más recomendado de la última década. Notebooks gratis en GitHub. Traducido al español.
PDF gratis. Álgebra lineal, cálculo vectorial, probabilidad y optimización con foco exclusivo en lo que ML necesita. El puente entre 'sé programar' y 'entiendo los papers'.
Libro abierto y en evolución sobre RLHF: modelos de recompensa, PPO/GRPO, evaluación, fallos conocidos. No hay nada equivalente.
La biblia del RL. PDF gratis. Si vas a hacer post-training en serio, los capítulos 3-6 y 13 son obligatorios.
PDF gratis + notebooks + slides. El mejor libro de deep learning escrito en los últimos años: cubre transformers, difusión, GNNs y RL con figuras excelentes.
Distingue entre IA predictiva (mayormente sobrevendida) e IA generativa (real pero malentendida). Buen calibrador de expectativas.
Deep learning contado como diseño de programas diferenciables. Enfoque fresco y muy bien escrito.
Blog y libro con ejercicios prácticos en español. Buen punto de partida si el inglés todavía te frena.
El clásico de 2016. Anterior a los transformers, pero la Parte I (matemática) y la Parte II (fundamentos) siguen siendo insuperables.
El sucesor del legendario 'Pattern Recognition and Machine Learning'. Lectura online gratis. Rigor bayesiano + contenido moderno.
El lado clásico de la interpretabilidad: SHAP, LIME, importancia de features, modelos intrínsecamente interpretables.
Online y gratis. La mejor explicación escrita de por qué backprop funciona, con demos interactivas.
Los dos tomos más completos que existen. Referencia de escritorio, no lectura lineal. PDFs gratis.
El libro canónico de CUDA. GPU MODE organiza grupos de lectura sobre él.
La versión pesada de ISL. Referencia estadística rigurosa. PDF gratis.
Modelo 'leer primero, pagar después'. Panorama honesto y comprimido de todo el campo.
~180 páginas formateadas para leer en el teléfono. Densidad de información altísima. Ideal como repaso.
Preguntas frecuentes
¿Cuál es el mejor libro para empezar con machine learning?
«Mathematics for Machine Learning» si te falta la base matemática, y «Understanding Deep Learning» de Simon Prince para deep learning moderno. Los dos tienen PDF gratuito y están escritos para que se puedan leer sin un curso de posgrado encima.
¿Hay libros de inteligencia artificial en PDF gratis?
Sí, y no son piratería: varios autores de referencia publican el PDF completo en su sitio. Mathematics for Machine Learning, los dos tomos de Kevin Murphy, Understanding Deep Learning y Dive into Deep Learning están disponibles legalmente y gratis.
¿Conviene leer libros o hacer cursos?
Cursos para avanzar, libros para consultar. La secuencia que funciona es curso más proyecto propio, con el libro al lado para cuando algo no cierra. Empezar por el libro y leerlo lineal es el camino más frecuente al abandono.