6 libros de machine learning para científicos de datos

El machine learning ya no está solo en la agenda de los científicos de datos; también está cambiando de raíz el funcionamiento diario de los equipos financieros. Procesos como el reconocimiento de recibos y facturas, la clasificación automática de gastos, la detección temprana de transacciones inusuales y la previsión del flujo de caja son reflejos directos en el mundo empresarial de los algoritmos de este campo. Si usted es un profesional de finanzas o de empresa que gestiona —o quiere gestionar— esta transformación, comprender la lógica básica de la tecnología le da una gran ventaja: cuestiona mejor las herramientas que compra, construye un lenguaje común con sus equipos y sabe adónde van sus inversiones en automatización.

En este artículo repasamos los 6 libros fundamentales más respetados del machine learning. Para cada libro resumimos por separado tanto lo que ofrece al lector técnico como el valor que aporta a un profesional de finanzas o de empresa.

1. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow — Aurélien Géron

El libro de Aurélien Géron se considera el estándar de oro para quienes buscan una introducción práctica al machine learning. Reduce la teoría al mínimo, se centra directamente en la práctica y muestra paso a paso cómo trabajar en proyectos reales.

¿Por qué debería leerlo?

• Ofrece una hoja de ruta completa que empieza desde cero y avanza hasta el deep learning.
• Cada capítulo incluye ejemplos ejecutables y ejercicios prácticos.
• Explica con un lenguaje sencillo métodos fundamentales como la clasificación, el clustering y la predicción.

Valor para el profesional de finanzas: Es el recurso más accesible para entender, sin ahogarse en matemáticas, la lógica de clasificación que hay detrás de automatizaciones financieras como la categorización de gastos y el reconocimiento de facturas.

2. Pattern Recognition and Machine Learning — Christopher M. Bishop

Esta obra clásica de Christopher Bishop está escrita para quienes quieren comprender en profundidad los fundamentos matemáticos del machine learning. Es un recurso de gran peso académico que combina la teoría de la probabilidad y la estadística con los algoritmos.

¿Por qué debería leerlo?

• Es uno de los recursos más completos sobre inferencia probabilística.
• Los ejercicios al final de cada capítulo consolidan los conceptos.
• Se utiliza como libro de texto básico en muchas universidades.

Valor para el profesional de finanzas: Decidir bajo incertidumbre es la esencia de las finanzas; la mirada probabilística de este libro hace entender por qué los modelos de temas como la desviación presupuestaria y la previsión de riesgos hablan en "probabilidades" y no en "certezas".

3. Deep Learning — Ian Goodfellow, Yoshua Bengio y Aaron Courville

Esta obra, firmada por tres pioneros del campo, es conocida como el "libro fundamental" del deep learning. Aborda de forma exhaustiva los aspectos teóricos y prácticos en conjunto.

¿Por qué debería leerlo?

• Se considera el recurso más autorizado sobre deep learning.
• Resume los conocimientos matemáticos necesarios en los primeros capítulos.
• Está disponible gratuitamente en el sitio web oficial de los autores.

Valor para el profesional de finanzas: Todos los sistemas que extraen datos de imágenes de recibos y facturas y que leen documentos se basan en el deep learning; este libro muestra qué es en realidad esa "magia" que los equipos financieros usan cada día.

4. The Elements of Statistical Learning — Trevor Hastie, Robert Tibshirani y Jerome Friedman

Escrito por tres profesores de estadística de la Universidad de Stanford, este libro es una de las obras que trata de forma más completa los métodos de aprendizaje estadístico y aborda el tema desde la perspectiva de la estadística.

¿Por qué debería leerlo?

• Abarca un amplio espectro, desde los métodos lineales hasta los modelos basados en árboles.
• Explica la base teórica de métodos que siguen siendo de uso común hoy en día.
• Puede descargarse gratuitamente del sitio web de la universidad; quienes busquen una alternativa más accesible pueden optar por "An Introduction to Statistical Learning", de los mismos autores.

Valor para el profesional de finanzas: La mayor parte de los modelos que detectan transacciones inusuales en los datos de gastos e intentan predecir el fraude en gastos se construye sobre los métodos estadísticos descritos en este libro.

5. Python Machine Learning — Sebastian Raschka y Vahid Mirjalili

Este libro de Sebastian Raschka y Vahid Mirjalili combina de forma equilibrada la teoría y la práctica, y se dirige a un público amplio, desde el nivel principiante hasta el avanzado.

¿Por qué debería leerlo?

• Enseña los métodos clásicos con ejemplos prácticos.
• Trata en detalle los pasos de preparación de datos y evaluación de modelos.
• Abarca campos de aplicación actuales como los datos de texto y el análisis de sentimiento.

Valor para el profesional de finanzas: Los capítulos de evaluación de modelos enseñan las preguntas que un responsable financiero necesita para poner a prueba las promesas de productos "impulsados por IA" de los proveedores: ¿con qué criterio se considera exitoso el modelo y cuál es su margen de error?

6. Machine Learning: A Probabilistic Perspective — Kevin P. Murphy

Esta obra exhaustiva de Kevin Murphy aborda el machine learning desde un marco probabilístico y se considera una de las fuentes de referencia más detalladas del campo. La serie más reciente del autor, "Probabilistic Machine Learning", ofrece además una alternativa renovada.

¿Por qué debería leerlo?

• Reúne los enfoques clásicos y modernos bajo un mismo techo.
• Ofrece un amplio inventario de métodos de aprendizaje supervisado y no supervisado.
• Al final de cada capítulo incluye ejercicios exhaustivos.

Valor para el profesional de finanzas: Es el recurso que trata con mayor profundidad el pensamiento probabilístico en el que se apoyan los modelos financieros prospectivos, como la previsión del flujo de caja y de los ingresos.

¿Cómo elegir el libro adecuado?

La elección depende de su nivel de conocimientos actual y de su objetivo:

• Profesionales de finanzas y de empresa: Empiece por el libro de Géron; si su objetivo no es escribir código sino entender la tecnología que automatiza sus procesos, incluso los primeros capítulos proporcionan la comprensión suficiente.
• Lectores técnicos principiantes: Los libros prácticos de Géron o Raschka no exigen una base matemática sólida.
• Nivel avanzado: Gane profundidad teórica con las obras de Bishop, Goodfellow, Hastie o Murphy.

Elija el libro que elija, relacione lo que lea con sus propios datos. Si trabaja en el lado financiero, el mejor ejercicio es mirar los datos de gasto de su empresa y preguntarse: "¿Qué pasos podrían automatizarse aquí?"

Preguntas frecuentes

Como profesional de finanzas, ¿necesito saber programar para leer estos libros?

No. Los capítulos conceptuales de los libros de Géron y Raschka hacen comprender la lógica del machine learning sin escribir código. El objetivo no es producir la tecnología, sino evaluar con criterio los sistemas que compra o gestiona.

¿Dónde se usa concretamente el machine learning en los procesos financieros?

La lectura automática de los datos de recibos y facturas, la asignación de los gastos a la categoría correcta, el marcado de gastos fuera de política o inusuales y la previsión del flujo de caja son los usos más habituales. El tiempo que estas automatizaciones ahorran a las empresas lo tratamos en nuestro artículo sobre el coste oculto en tiempo del registro de gastos.

¿Hay libros de acceso gratuito?

Sí. El libro "Deep Learning" de Goodfellow está disponible gratuitamente en el sitio web oficial de los autores, y "The Elements of Statistical Learning" de Hastie, en el sitio web de la Universidad de Stanford.

¿Siguen estando vigentes estos libros?

Los algoritmos fundamentales y los principios matemáticos conservan su validez con el tiempo; los libros prácticos, por su parte, reciben actualizaciones periódicas en cada edición. Para la columna vertebral conceptual, las obras clásicas siguen siendo referencias fiables.

De la teoría a la práctica: el machine learning al servicio de los equipos financieros

Los métodos descritos en estos libros ya funcionan en las herramientas diarias de los equipos financieros. En Masraff construimos funciones como el reconocimiento inteligente de recibos y facturas, la categorización automática y la detección de anomalías de gasto directamente sobre estos algoritmos. Para ver cómo el machine learning puede aportar valor a sus procesos de gasto, explore nuestra solución de gestión de gastos o póngase en contacto con nosotros para cualquier consulta.