El módulo 9 terminó con el prototipo del caso 9 documentado, presentado y con su rúbrica de autoevaluación; con él acabó la parte práctica del curso. Este último módulo no añade teoría ni código nuevo: te da los medios para seguir aprendiendo por tu cuenta con criterio. Empezamos por la fuente más duradera, los libros y los artículos. En un campo que cambia cada seis meses, los buenos libros son lo que menos caduca (los fundamentos de 03, 04, 05 y 06 llevan décadas siendo los mismos) y los artículos originales son la manera de entender de dónde salió cada idea que has usado, desde el perceptrón de 05-01 hasta el transformer de 05-05 o la model card de 08-01. Esta lección explica primero cómo leer técnica (leer un libro de ML como una novela no sirve de nada), después presenta las obras de referencia agrupadas por bloque, con su nivel, el módulo del curso que amplían y para quién son, y termina con una lista de artículos clave, un método para leer un paper y un plan de lectura en tres etapas. Como aterrizaje, qué leerían primero Marta y Diego en NovaMarket.

Una advertencia de rigor: citamos solo obras reales y contrastadas, con sus autores; no incluimos enlaces profundos ni precios porque caducan. Varias son gratuitas en línea por decisión de sus autores en el momento de escribir esto; esa gratuidad puede cambiar, comprueba siempre en la web del autor o de la editorial.

1. Cómo leer técnica: lectura activa, código reproducido y cuaderno de notas
2. Referencia general de IA
3. Machine learning práctico
4. Deep learning
5. Probabilidad, estadística y razonamiento
6. Lógica, sistemas expertos y Prolog
7. Ética y sociedad
8. Proyectos, sistemas y MLOps
9. Artículos clave y cómo leer un paper
10. Plan de lectura en tres etapas y aterrizaje en NovaMarket
11. Errores Comunes y Consejos
12. Ejercicios
13. Conclusión

Un libro técnico no se lee, se trabaja. Tres hábitos marcan la diferencia entre "lo he leído" y "lo sé usar":

• Lectura activa. Antes de cada capítulo, escribe en una línea qué esperas aprender; al terminar, escribe en tres líneas qué has aprendido sin mirar el libro. Si no puedes, no lo has entendido. Formula preguntas al margen ("¿por qué aquí regularización L2 y no L1?") y busca la respuesta antes de seguir.
• Reproducir el código. Teclea los ejemplos (no copies y pegues), ejecútalos, rómpelos a propósito (cambia un hiperparámetro, quita una columna, mete un valor nulo) y observa qué pasa. Después aplícalos a tus datos: en el curso siempre tuviste pedidos_nm.csv o resenas_nm.py; sigue usándolos como banco de pruebas de todo lo que leas.
• Cuaderno de notas. Un fichero por libro (Markdown en tu repositorio novamarket_ia/notas/ vale) con: idea principal de cada capítulo, una fórmula o fragmento de código clave, una conexión con algo que ya sabes ("esto es la validación cruzada de 04-05 pero anidada") y una duda abierta. Releer tus notas es diez veces más rápido que releer el libro.

Dos consejos más: no leas de principio a fin las obras de referencia (Russell & Norvig tiene más de mil páginas; se consulta por capítulos), y alterna un libro "denso" con uno "ligero" para no abandonar. Como ayuda opcional, este pequeño registro en Python te permite llevar el seguimiento de lo leído y de las conexiones con el curso:

Cada entrada guarda fecha, libro, capítulo, idea, módulo del curso que amplía y duda; el JSON es legible, versionable y fácil de convertir en una tabla con pandas cuando quieras revisar qué has cubierto.

Son los libros que cubren el mapa completo que dibujó este curso (agentes, búsqueda, lógica, probabilidad, aprendizaje). No se leen enteros; se consultan.

Si tienes que elegir uno solo y estás empezando, Poole & Mackworth por accesibilidad y por el código; AIMA cuando quieras la referencia definitiva.

Amplían el módulo 4 (y parte del 5 y del 9): preparación de datos, algoritmos, evaluación, sobreajuste, y el paso a proyectos reales.

Orden sugerido para un junior: Burkov (mapa) → Géron (práctica) → ISL (fundamento estadístico); Müller & Guido como consulta de la librería.

Amplían el módulo 5 y el 09-03: de la neurona a las CNN, RNN y transformers.

Amplían 06-03 (Bayes y redes bayesianas) y el fundamento probabilístico de todo el ML.

Amplían el módulo 6 (06-01, 06-02, 06-04) y el motor de reglas del caso 8.

Amplían 02-04 (ética y AI Act), 08-02 (casos de sesgo) y 08-03 (regulación).

Amplían 08-01 (método, model card, deriva), 07-04 (entornos) y lo que en 10-04 llamaremos el itinerario de MLOps.

Los artículos originales son la fuente primaria de todo lo que has visto. No hace falta leerlos todos ni enteros, pero conocer diez te sitúa en la historia del campo (01-01) y te enseña a leer los que vendrán.

Un artículo científico tiene una estructura fija: resumen (abstract), introducción (problema y contribución), trabajo relacionado, método, experimentos, conclusiones y referencias. Léelo en tres pasadas:

1. Pasada 1 (10 min): resumen, figuras y tablas, conclusión. Decide si merece la pena seguir. Anota en una frase qué afirma.
2. Pasada 2 (30-60 min): introducción y experimentos con calma; salta las demostraciones. Comprueba con qué comparan (¿la línea base es justa, como pedimos en 09-04?) y con qué datos.
3. Pasada 3 (solo si lo vas a usar): método completo, e intenta reproducir una parte, aunque sea a pequeña escala.

Dónde encontrarlos: arXiv (arxiv.org) publica preimpresiones abiertas de casi todo lo actual en IA; Papers with Code (paperswithcode.com) enlaza cada artículo con implementaciones y tablas de resultados; Google Scholar sirve para seguir citas. Los artículos antiguos (Turing, Rosenblatt) suelen estar accesibles en repositorios universitarios.

Orden de lectura sugerido: Turing (histórico y accesible), Model Cards (corto y directamente útil), Vaswani (el más citado hoy; léelo con 05-05 al lado), y después los demás según tu itinerario.

Marta (responsable de datos, tiene el predictor de fraude en producción y el asistente RAG por construir) leería primero ML Yearning (decisiones de proyecto en dos semanas), después Huyen para la monitorización del predictor y, en paralelo, Géron para que su equipo comparta vocabulario; Vaswani y BERT cuando arranque el asistente. Diego (operaciones, sin perfil técnico) empezaría por Mitchell (qué puede y qué no puede la IA), seguiría con O'Neil (riesgos del predictor que él usa a diario) y leería el resumen y las figuras del artículo de Model Cards para entender el documento que Marta le entrega con cada modelo.

• Comprar (o descargar) cinco libros y no acabar ninguno. Elige uno por etapa; el resto, a la lista de espera.
• Leer sin teclado. Si el libro trae código y no lo ejecutas, retienes una fracción. Reserva la lectura pasiva para los de divulgación.
• Empezar por Goodfellow o Bishop. Son referencias avanzadas; empezar por ahí desanima. El orden importa: Burkov/Géron/Chollet antes.
• Confundir gratuito con permanente. Lo que hoy está en abierto puede dejar de estarlo; guarda tus notas, no dependas del PDF.
• Leer papers como si fueran verdad revelada. Un artículo es una afirmación con evidencia; comprueba la línea base, los datos y si alguien lo ha reproducido (Papers with Code ayuda).
• Consejo: sigue una regla "un libro denso + uno ligero" y "un paper al mes"; anota siempre la conexión con un módulo del curso; eso convierte lectura en conocimiento.

1. Elegir y justificar. Escoge un libro de las tablas para tu situación actual (nivel, tiempo disponible, objetivo) y escribe un párrafo justificando la elección con tres criterios: qué módulo del curso amplía, por qué ese nivel y qué harás con él (código a reproducir, datos a los que aplicarlo).
2. Plan de lectura personal. Adapta la tabla de tres etapas a tres meses reales de tu calendario: pon semanas, capítulos y un entregable por etapa (por ejemplo, un cuaderno reproducido, un resumen o una entrada en el cuaderno JSON de la sección 1).
3. Primera pasada de un paper. Elige uno de la tabla de artículos (recomendado: Model Cards o Vaswani 2017) y haz la pasada 1: escribe en cinco líneas qué problema resuelve, cuál es la contribución, qué muestra la figura o tabla principal y qué conexión tiene con el curso.

1. Ejemplo: "Elijo Géron porque amplía el módulo 4 completo y parte del 5, que es lo que más voy a usar como junior; su nivel introductorio-intermedio encaja con lo que ya sé de scikit-learn; reproduciré los cuadernos de los capítulos de clasificación y ajuste de modelos y los aplicaré al predictor de fraude de NovaMarket para intentar superar el AUC de 0,844 con un pipeline mejor documentado."
2. Ejemplo: Semanas 1-3: Burkov completo, una entrada en el cuaderno por capítulo. Semanas 4-6: ML Yearning, entregable: documento de una página con la partición de datos y la métrica del caso 4 revisadas. Semanas 7-12: Géron caps. 2-4 y 6-7 con cuadernos reproducidos; entregable: cuaderno propio con validación anidada sobre pedidos_nm.csv.
3. Ejemplo (Model Cards, 2019): Problema: los modelos se publican sin explicar para qué sirven ni cómo fallan. Contribución: una plantilla estándar (detalles del modelo, uso previsto, factores, métricas, datos de evaluación, consideraciones éticas). Figura principal: ejemplos de model cards con métricas desglosadas por subgrupo. Conexión: es la plantilla que seguimos en 08-01 y 09-04; el desglose por subgrupo es lo que faltaba en la model card del predictor de fraude.

Has aprendido a leer técnica de forma activa (esperar, reproducir, anotar), tienes un mapa de libros por bloque con su nivel y el módulo que amplían (referencia general con AIMA y Poole & Mackworth; ML práctico con Burkov, Géron, Müller & Guido e ISL; deep learning con Chollet, Prince y Goodfellow; probabilidad con Bishop, Koller & Friedman y Pearl; sistemas expertos con Giarratano & Riley y Bratko; ética con O'Neil, Crawford y Mitchell; proyectos con Huyen y Ng), una lista de doce artículos que explican de dónde sale cada idea del curso y un método de tres pasadas para leer cualquier paper, además de un plan en tres etapas y las primeras lecturas de Marta y Diego. Los libros dan profundidad y permanencia; pero aprender solo con libros es lento cuando lo que necesitas es práctica guiada y corrección. En la siguiente lección (10-02) veremos cómo elegir cursos y tutoriales en línea, cuáles son los de referencia para cada módulo del curso y cómo montar un plan de tres meses que combine vídeo, documentación oficial y práctica deliberada.