Has terminado los nueve módulos técnicos del curso: conoces el flujo de trabajo completo del machine learning, has entrenado modelos supervisados y no supervisados, sabes evaluarlos con rigor y has llevado uno a producción con los proyectos de MercaFresh. Ahora toca consolidar y profundizar, y para eso los libros siguen siendo insustituibles: ofrecen una profundidad y una coherencia que ningún tutorial suelto puede dar. En esta lección no encontrarás una lista interminable, sino una selección corta de obras consolidadas, con criterio sobre para quién es cada una, qué aporta después de este curso y en qué orden abordarlas.

1. Cómo elegir un libro técnico (y cómo no)
2. Introducción práctica: los dos imprescindibles
3. Fundamentos matemáticos y estadísticos
4. Deep learning
5. Machine learning en producción
6. Tabla-resumen: qué libro amplía qué módulo
7. Cómo leer un libro técnico
8. Rutas de lectura según tu perfil

Antes de la lista, un criterio: un buen libro para ti no es el más citado, sino el que está un escalón por encima de tu nivel actual, ni dos ni cero. Tras este curso ya no eres principiante absoluto: puedes saltarte los libros de "ML para todos los públicos" e ir directamente a obras con código o con matemáticas de verdad.

Ten en cuenta también el idioma: la inmensa mayoría de la bibliografía de referencia en machine learning está en inglés, y las traducciones al español (cuando existen) suelen ir una o dos ediciones por detrás. Leer inglés técnico es una inversión obligada en este campo; la buena noticia es que el inglés de los libros técnicos es mucho más sencillo que el literario.

• Idioma: inglés (existe traducción al español de ediciones anteriores, pero la edición actualizada es la inglesa).
• Para quién: exactamente para alguien que acaba de terminar este curso. Es el complemento natural.
• Qué aporta tras este curso: cubre el mismo stack que hemos usado (scikit-learn y Keras) pero con más profundidad en cada algoritmo. La primera parte amplía los módulos 3, 4, 6 y 7 (pipelines, árboles, ensembles, ajuste de hiperparámetros); la segunda parte amplía el deep learning que solo esbozamos en el módulo 7 y en el proyecto de CNN del módulo 9.
• Cómo abordarlo: es un libro para leer con el ordenador delante. Los notebooks del autor están disponibles en GitHub; reprodúcelos y luego adáptalos a un dataset propio (por ejemplo, los datos de MercaFresh que construiste en los proyectos).

• Idioma: inglés. Gratuito en PDF en la web oficial de los autores (statlearning.com). Existe edición con laboratorios en Python (ISL with Applications in Python), además de la clásica en R.
• Para quién: quien quiera entender el porqué estadístico de lo que hemos hecho, sin necesitar un doctorado.
• Qué aporta tras este curso: es el puente perfecto entre el módulo 2 (estadística) y los módulos 4 y 7. Explica regresión lineal y logística, validación cruzada, regularización (ridge y lasso, que vimos en 07-01) y árboles con un rigor que el enfoque práctico del curso no permitía, pero con matemáticas asequibles.
• Cómo abordarlo: después o en paralelo al de Géron. Géron te da el "cómo"; ISL te da el "por qué".

Cuando ISL te sepa a poco, existen dos obras de referencia. Aviso honesto: no son el siguiente paso inmediato tras este curso; son libros a los que volverás durante años.

• Idioma: inglés. Gratuito en PDF en la web de los autores (Stanford).
• Para quién: perfil con base sólida de álgebra lineal, cálculo y probabilidad. Es el "hermano mayor" de ISL, escrito en parte por los mismos autores.
• Qué aporta tras este curso: la teoría completa detrás de casi todo el temario: desde la regresión regularizada del módulo 7 hasta el boosting (capítulo de referencia sobre gradient boosting, la base de XGBoost y LightGBM que usamos) y los métodos no supervisados del módulo 5.

• Idioma: inglés. Microsoft Research lo distribuye gratuitamente en PDF desde hace años.
• Para quién: quien prefiera un enfoque probabilístico/bayesiano riguroso.
• Qué aporta tras este curso: formaliza lo que intuiste en Naive Bayes (módulo 4) y en las distribuciones del módulo 2; profundiza en mixturas y métodos de variables latentes que conectan con el clustering del módulo 5.

• Idioma: inglés (hay traducción al español de la segunda edición en algunas editoriales, pero verifica la edición).
• Para quién: quien haya disfrutado del proyecto de CNN (09-02) y el de NLP (09-03) y quiera especializarse en redes.
• Qué aporta tras este curso: escrito por el creador de Keras, el framework que usamos. Amplía directamente 07-04 y los proyectos 09-02 y 09-03, con la misma filosofía práctica del curso. Es el siguiente paso natural en deep learning.

• Idioma: inglés. Gratuito online en deeplearningbook.org.
• Para quién: perfil matemático que quiera la teoría de las redes neuronales.
• Qué aporta tras este curso: los fundamentos (optimización, regularización en redes, arquitecturas) que Chollet trata de forma práctica. Léelo después de Chollet, no antes.

• Idioma: inglés.
• Para quién: quien se haya quedado con ganas de más tras el módulo 8 y aspire a un rol de ML engineer.
• Qué aporta tras este curso: todo lo que en el módulo 8 vimos de forma introductoria — despliegue, monitoreo, deriva de datos (08-03), decisiones de diseño, datos en streaming — tratado con la experiencia de sistemas reales a escala. Es un libro de criterio, no de código: complementa, no repite, lo que hicimos con FastAPI y Docker en 08-02.

Un libro de ML no se lee como una novela. Consejos concretos:

• Teclea el código a mano. No copies y pegues, y menos aún leas el código "de corrido". Al teclearlo cometes errores, y depurarlos es donde ocurre el aprendizaje.
• Un capítulo, un notebook. Crea un notebook por capítulo con tus notas y experimentos. Al terminar el libro tendrás tu propia referencia.
• Cambia el dataset. Reproducir el ejemplo del autor es el 40% del valor; aplicarlo a un dataset distinto (uno de MercaFresh, uno de Kaggle) es el 60% restante.
• Acepta saltarte capítulos. Los libros de referencia (ESL, Bishop) no están pensados para leerse enteros y en orden. Usa el índice como un mapa, no como un contrato.
• Relee. ISL leído tras el módulo 4 y releído tras un año de práctica son dos libros distintos.

En todos los casos: un libro a la vez. Empezar tres libros en paralelo es la forma más eficaz de no terminar ninguno.

• Error: comprar libros como sustituto de estudiar. Acumular PDFs y libros en la estantería produce una falsa sensación de progreso. Regla práctica: no consigas un libro nuevo hasta haber avanzado sustancialmente en el anterior.
• Error: empezar por los libros avanzados "para hacerlo bien desde el principio". Atacar ESL o Bishop sin la madurez matemática necesaria solo produce frustración y abandono. ISL existe precisamente para eso: mismo contenido conceptual, matemáticas asequibles.
• Error: leer sin ordenador. Si llevas 30 páginas de un libro con código y no has ejecutado nada, estás leyendo, no aprendiendo.
• Consejo: aprovecha los gratuitos. Cuatro de los siete libros de esta lección son legalmente gratuitos en PDF por decisión de sus autores. No hay barrera económica para los fundamentos.
• Consejo: verifica la edición. En ML las ediciones importan (las APIs cambian). Busca siempre la última edición, especialmente en Géron y Chollet.

Elige tu perfil en la tabla de rutas y diseña un plan de lectura de 6 meses para el primer libro de tu ruta: capítulos por semana, qué harás con el código de cada capítulo y qué dataset propio usarás para adaptar los ejemplos.

Descarga el PDF gratuito de An Introduction to Statistical Learning desde statlearning.com. Lee el capítulo 2 ("Statistical Learning") y contrasta su explicación del equilibrio sesgo-varianza con lo que vimos en el módulo 6 sobre overfitting. Anota dos ideas que el libro explique mejor que este curso y una que este curso explicara de forma más práctica.

Consigue el primer capítulo con código del libro que hayas elegido (los notebooks de Géron están públicos en su GitHub) y aplica el método de la lección: teclea el código a mano en un notebook propio, anota lo que no entiendas y cambia el dataset del ejemplo por uno diferente.

Ejercicio 1 (orientativa): un plan realista para Géron podría ser 1 capítulo cada 1-2 semanas (la primera parte tiene ritmo asumible; los capítulos de deep learning piden 2 semanas). Compromiso por capítulo: reproducir el notebook, resolver al menos un ejercicio propuesto y adaptar el ejemplo a un dataset propio (por ejemplo, el de segmentación de clientes del proyecto 09-05). Señal de alarma: si en 3 semanas no has abierto el libro, reduce el objetivo, no lo abandones.

Ejercicio 2 (orientativa): es habitual encontrar que ISL formaliza mejor la descomposición sesgo-varianza (con su expresión matemática) y la diferencia entre error de entrenamiento y de test; y que este curso fue más práctico al mostrar el overfitting con curvas de validación en scikit-learn sobre datos de MercaFresh. No hay respuesta única: el objetivo es que compares fuentes activamente.

Ejercicio 3 (orientativa): lo esperable es que al teclear cometas 3-5 errores (imports olvidados, paréntesis, nombres de variables) y que depurarlos te obligue a entender líneas que habrías pasado por alto. Si al cambiar el dataset algo se rompe (columnas con otro nombre, valores faltantes), enhorabuena: estás exactamente en el tipo de problema real que el módulo 3 te enseñó a resolver.

Los libros son la forma más densa y coherente de conocimiento disponible en machine learning, y tras este curso ya tienes el nivel para aprovechar los buenos: Géron e ISL como continuación natural, ESL/Bishop y Goodfellow cuando busques teoría, Chollet para deep learning y Huyen para producción. La clave no está en cuántos lees, sino en cómo: uno a la vez, con el ordenador delante y adaptando cada ejemplo a tus propios datos. En la próxima lección veremos el complemento dinámico de los libros: los cursos en línea, dónde encontrarlos con criterio y cómo evitar convertirte en un coleccionista de certificados.