El Projecte | Sobre nosaltres | Contribuir | Donacions | Llicència
HOME Els meus cursos Finalitzats
◄ Anterior
◄

Llibres i Articles Recomanats

Següent ►
►

El mòdul 9 va acabar amb el prototip del cas 9 documentat, presentat i amb la seva rúbrica d'autoavaluació; amb ell es va tancar la part pràctica del curs. Aquest darrer mòdul no afegeix teoria ni codi nou: et dona els mitjans per continuar aprenent pel teu compte amb criteri. Comencem per la font més duradora, els llibres i els articles. En un camp que canvia cada sis mesos, els bons llibres són el que menys caduca (els fonaments de 03, 04, 05 i 06 fa dècades que són els mateixos) i els articles originals són la manera d'entendre d'on va sortir cada idea que has fet servir, des del perceptró de 05-01 fins al transformer de 05-05 o la model card de 08-01. Aquesta lliçó explica primer com llegir tècnica (llegir un llibre de ML com si fos una novel·la no serveix de res), després presenta les obres de referència agrupades per bloc, amb el seu nivell, el mòdul del curs que amplien i per a qui són, i acaba amb una llista d'articles clau, un mètode per llegir un paper i un pla de lectura en tres etapes. Com a aterratge, què llegirien primer la Marta i el Diego a NovaMarket.

Una advertència de rigor: citem només obres reals i contrastades, amb els seus autors; no hi incloem enllaços profunds ni preus perquè caduquen. Diverses són gratuïtes en línia per decisió dels seus autors en el moment d'escriure això; aquesta gratuïtat pot canviar, comprova-ho sempre al web de l'autor o de l'editorial.

Contingut

  1. Com llegir tècnica: lectura activa, codi reproduït i quadern de notes
  2. Referència general d'IA
  3. Machine learning pràctic
  4. Deep learning
  5. Probabilitat, estadística i raonament
  6. Lògica, sistemes experts i Prolog
  7. Ètica i societat
  8. Projectes, sistemes i MLOps
  9. Articles clau i com llegir un paper
  10. Pla de lectura en tres etapes i aterratge a NovaMarket
  11. Errors Comuns i Consells
  12. Exercicis
  13. Conclusió

  1. Com llegir tècnica: lectura activa, codi reproduït i quadern de notes

Un llibre tècnic no es llegeix, es treballa. Tres hàbits marquen la diferència entre "l'he llegit" i "el sé fer servir":

  • Lectura activa. Abans de cada capítol, escriu en una línia què esperes aprendre; en acabar, escriu en tres línies què has après sense mirar el llibre. Si no pots, no ho has entès. Formula preguntes al marge ("per què aquí regularització L2 i no L1?") i busca la resposta abans de continuar.
  • Reproduir el codi. Tecleja els exemples (no copiïs i enganxis), executa'ls, trenca'ls a propòsit (canvia un hiperparàmetre, treu una columna, fica-hi un valor nul) i observa què passa. Després aplica'ls a les teves dades: al curs sempre vas tenir comandes_nm.csv o ressenyes_nm.py; continua fent-los servir com a banc de proves de tot el que llegeixis.
  • Quadern de notes. Un fitxer per llibre (Markdown al teu repositori novamarket_ia/notes/ serveix) amb: idea principal de cada capítol, una fórmula o fragment de codi clau, una connexió amb alguna cosa que ja saps ("això és la validació creuada de 04-05 però imbricada") i un dubte obert. Rellegir les teves notes és deu vegades més ràpid que rellegir el llibre.

Dos consells més: no llegeixis de cap a cap les obres de referència (Russell & Norvig té més de mil pàgines; es consulta per capítols), i alterna un llibre "dens" amb un de "lleuger" per no abandonar. Com a ajuda opcional, aquest petit registre en Python et permet portar el seguiment del que has llegit i de les connexions amb el curs:

import json
from datetime import date

QUADERN = "notes/quadern_lectura.json"

def anotar(llibre, capitol, idea, modul_curs, dubte=""):
    """Afegeix una entrada al quadern de lectura (un JSON simple, versionable amb Git)."""
    try:
        with open(QUADERN, encoding="utf-8") as f:
            entrades = json.load(f)
    except FileNotFoundError:
        entrades = []
    entrades.append({"data": str(date.today()), "llibre": llibre, "capitol": capitol,
                     "idea": idea, "modul_curs": modul_curs, "dubte": dubte})
    with open(QUADERN, "w", encoding="utf-8") as f:
        json.dump(entrades, f, ensure_ascii=False, indent=2)

anotar("Géron", "cap. 4", "El descens del gradient per lots vs estocàstic: el segon escapa dels mínims locals",
       "05-03", "com trio la taxa d'aprenentatge sense provar a cegues?")

Cada entrada desa data, llibre, capítol, idea, mòdul del curs que amplia i dubte; el JSON és llegible, versionable i fàcil de convertir en una taula amb pandas quan vulguis revisar què has cobert.

  1. Referència general d'IA

Són els llibres que cobreixen el mapa complet que va dibuixar aquest curs (agents, cerca, lògica, probabilitat, aprenentatge). No es llegeixen sencers; es consulten.

Obra Nivell Amplia Per a qui / com fer-lo servir
Russell & Norvig, Artificial Intelligence: A Modern Approach (AIMA) Intermedi-avançat Tot el curs; especialment 02, 03, 06 La referència acadèmica de la definició "actuar racionalment" (01-02) i del marc PEAS (02-01). Fes-la servir com a diccionari: quan alguna cosa de cerca, minimax, lògica o xarxes bayesianes se't quedi curta, ves al capítol corresponent. Té pseudocodi de tots els algorismes del mòdul 3.
Poole & Mackworth, Artificial Intelligence: Foundations of Computational Agents Intermedi 02, 03, 06 Alternativa a AIMA, gratuïta en línia al web dels autors (comprova'n la disponibilitat), amb codi Python d'acompanyament (AIPython). Molt bona per a l'enfocament d'agents i per al raonament amb incertesa.

Si n'has de triar només un i estàs començant, Poole & Mackworth per accessibilitat i pel codi; AIMA quan vulguis la referència definitiva.

  1. Machine learning pràctic

Amplien el mòdul 4 (i part del 5 i del 9): preparació de dades, algorismes, avaluació, sobreajust, i el pas a projectes reals.

Obra Nivell Amplia Per a qui / com fer-lo servir
Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow Introductori-intermedi 04 complet, 05, 09-02 El llibre pràctic més recomanat per al perfil d'aquest curs. Primera part: scikit-learn amb el mateix esperit de 04-03 a 04-06 (pipelines, validació, ajust); segona: xarxes amb Keras. Cada capítol té un quadern per reproduir. Comença per aquí si vols aprofundir en el que vas fer amb el predictor de frau.
Andriy Burkov, The Hundred-Page Machine Learning Book Introductori 04, 05 (visió general) Un resum concís i correcte de tot el ML; es llegeix en una setmana. Ideal per consolidar el mapa abans d'un llibre gran o per repassar abans d'una entrevista. L'autor el distribueix amb el model "llegeix primer, paga després"; comprova'n les condicions.
Müller & Guido, Introduction to Machine Learning with Python Introductori 04, 07-03 Escrit per un desenvolupador principal de scikit-learn; explica la llibreria tal com està pensada. Molt útil per entendre el disseny de fit/transform/predict i les eines d'avaluació de 04-05.
James, Witten, Hastie, Tibshirani (i Taylor a la versió Python), An Introduction to Statistical Learning (ISL) Intermedi 04-04, 04-05, 04-06 El pont entre ML i estadística: regressió, classificació, remostreig, regularització, arbres i boosting amb la intuïció matemàtica justa. N'hi ha una versió amb laboratoris en R i una altra en Python; totes dues gratuïtes al web dels autors (comprova'n la disponibilitat). Per a qui vulgui entendre per què funciona el que fa scikit-learn.

Ordre suggerit per a un júnior: Burkov (mapa) → Géron (pràctica) → ISL (fonament estadístic); Müller & Guido com a consulta de la llibreria.

  1. Deep learning

Amplien el mòdul 5 i el 09-03: de la neurona a les CNN, RNN i transformers.

Obra Nivell Amplia Per a qui / com fer-lo servir
François Chollet, Deep Learning with Python Introductori-intermedi 05-01 a 05-05, 09-03 Del creador de Keras. Explica amb claredat què és un tensor, com aprèn una xarxa i com muntar CNN, RNN i transformers amb Keras. El més recomanable per començar deep learning seriosament; els seus capítols sobre "què és i què no és" el deep learning són excel·lents per al criteri.
Simon J. D. Prince, Understanding Deep Learning Intermedi 05 complet Modern, amb figures molt cuidades i quaderns d'exercicis; gratuït en línia al web de l'autor (comprova'n la disponibilitat). Cobreix transformers, models de difusió i ètica. Ideal com a segon llibre, després de Chollet, quan vulguis les matemàtiques amb calma.
Goodfellow, Bengio, Courville, Deep Learning Avançat 05-02, 05-03 La referència acadèmica clàssica, gratuïta en línia (comprova'n la disponibilitat). La primera part (àlgebra lineal, probabilitat, optimització) és un repàs matemàtic valuós; la resta és densa i una mica anterior als transformers. Consulta, no lectura de cap a cap.

  1. Probabilitat, estadística i raonament

Amplien 06-03 (Bayes i xarxes bayesianes) i el fonament probabilístic de tot el ML.

Obra Nivell Amplia Per a qui / com fer-lo servir
Christopher Bishop, Pattern Recognition and Machine Learning (PRML) Avançat 04, 05, 06-03 Tracta el ML com a inferència probabilística: cada model té la seva distribució. Requereix soltesa matemàtica; reserva'l per a quan ISL se't quedi curt. Els capítols de models gràfics amplien directament 06-03.
Koller & Friedman, Probabilistic Graphical Models Avançat (referència) 06-03 El tractat sobre xarxes bayesianes i de Markov: representació, inferència i aprenentatge. No és per llegir d'una tirada; consulta'l quan necessitis anar més enllà de l'enumeració de 06-03 (inferència aproximada, aprenentatge d'estructura).
Judea Pearl & Dana Mackenzie, The Book of Why Divulgació 06-03, 02-04, 08-02 Explica sense fórmules la diferència entre correlació i causalitat, i per què importa (recorda el biaix de COMPAS o la selecció de personal de 08-02). Lectura agradable que canvia com mires qualsevol model predictiu.

  1. Lògica, sistemes experts i Prolog

Amplien el mòdul 6 (06-01, 06-02, 06-04) i el motor de regles del cas 8.

Obra Nivell Amplia Per a qui / com fer-lo servir
Giarratano & Riley, Expert Systems: Principles and Programming Intermedi 06-02, 06-04 El text clàssic de sistemes experts: representació del coneixement, encadenament cap endavant i cap enrere, incertesa, i programació amb CLIPS. Útil per a qui hagi de construir motors de regles seriosos (més enllà del nostre motor de 06-04).
Ivan Bratko, Prolog Programming for Artificial Intelligence Intermedi 06-01, 07-01, 03-02 Ensenya Prolog a través de problemes d'IA: cerca, planificació, sistemes experts, processament de llenguatge. Perfecte per a qui es va quedar amb ganes després del Prolog de 07-01.

  1. Ètica i societat

Amplien 02-04 (ètica i Reglament d'IA), 08-02 (casos de biaix) i 08-03 (regulació).

Obra Nivell Amplia Per a qui / com fer-lo servir
Cathy O'Neil, Weapons of Math Destruction Divulgació 02-04, 08-02 Casos reals de models opacs que fan mal a persones (crèdit, feina, justícia). Lectura obligada abans de desplegar qualsevol model que afecti clients, com el predictor de frau de NovaMarket.
Kate Crawford, Atlas of AI Divulgació 02-03, 02-04, 08-03 Mira la IA com a sistema material: dades, treball humà d'etiquetatge, energia, poder. Amplia la perspectiva més enllà del codi.
Melanie Mitchell, Artificial Intelligence: A Guide for Thinking Humans Divulgació 01, 02-02, 08-03 Explica amb honestedat què fa i què no fa la IA actual i per què l'AGI és lluny. El millor antídot contra el hype per al perfil del Diego.

  1. Projectes, sistemes i MLOps

Amplien 08-01 (mètode, model card, deriva), 07-04 (entorns) i el que a 10-04 anomenarem l'itinerari de MLOps.

Obra Nivell Amplia Per a qui / com fer-lo servir
Chip Huyen, Designing Machine Learning Systems Intermedi 08-01, 07-04, 09-04 Com portar un model a producció: dades, característiques, desplegament, monitoratge, deriva, equip. És la continuació natural del desplegament per lots del predictor de frau i de la comprovació de deriva de 09-04.
Andrew Ng, Machine Learning Yearning Introductori 08-01, 04-05, 04-06 Breu, gratuït (es distribuïa al web de DeepLearning.AI; comprova'n la disponibilitat), centrat en decisions de projecte: com partir les dades, quina mètrica triar, anàlisi d'errors, quan recollir més dades. Cada capítol cap en dues pàgines; molt pràctic.

  1. Articles clau i com llegir un paper

Els articles originals són la font primària de tot el que has vist. No cal llegir-los tots ni sencers, però conèixer-ne deu et situa en la història del camp (01-01) i t'ensenya a llegir els que vindran.

Com llegir un paper tècnic

Un article científic té una estructura fixa: resum (abstract), introducció (problema i contribució), treball relacionat, mètode, experiments, conclusions i referències. Llegeix-lo en tres passades:

  1. Passada 1 (10 min): resum, figures i taules, conclusió. Decideix si val la pena continuar. Anota en una frase què afirma.
  2. Passada 2 (30-60 min): introducció i experiments amb calma; salta't les demostracions. Comprova amb què comparen (la línia base és justa, com demanàvem a 09-04?) i amb quines dades.
  3. Passada 3 (només si el faràs servir): mètode complet, i intenta reproduir-ne una part, encara que sigui a petita escala.

On trobar-los: arXiv (arxiv.org) publica prepublicacions obertes de gairebé tot el que és actual en IA; Papers with Code (paperswithcode.com) enllaça cada article amb implementacions i taules de resultats; Google Scholar serveix per seguir cites. Els articles antics (Turing, Rosenblatt) solen ser accessibles en repositoris universitaris.

Deu articles (i un més) que expliquen el curs

Article Any Què aporta Amplia
Turing, "Computing Machinery and Intelligence" 1950 El joc d'imitació i les objeccions a la intel·ligència de les màquines; es llegeix sense matemàtiques 01-01
McCulloch & Pitts, "A Logical Calculus of the Ideas Immanent in Nervous Activity" 1943 La neurona com a unitat lògica: l'origen de les xarxes 05-01
Rosenblatt, "The Perceptron" 1958 El primer model que aprèn els seus pesos 05-01
Rumelhart, Hinton & Williams, "Learning Representations by Back-Propagating Errors" 1986 La retropropagació tal com la vas programar a 05-03 05-03
LeCun et al., "Gradient-Based Learning Applied to Document Recognition" (LeNet) 1998 CNN per a dígits manuscrits; el model de 09-03 descendeix d'aquí 05-04
Krizhevsky, Sutskever & Hinton, "ImageNet Classification with Deep CNNs" (AlexNet) 2012 L'inici de l'era del deep learning (01-01) 05-04
Mikolov et al., "Efficient Estimation of Word Representations in Vector Space" (word2vec) 2013 Embeddings de paraules; el que vas fer servir al cas 4 05-04, 05-05
Silver et al., "Mastering the Game of Go with Deep Neural Networks and Tree Search" (AlphaGo) 2016 Cerca en arbre + xarxes + aprenentatge per reforç 03-03, 08-02
Vaswani et al., "Attention Is All You Need" 2017 El transformer 05-05
Devlin et al., "BERT: Pre-training of Deep Bidirectional Transformers" 2018 Preentrenament i ajust fi en PLN 05-05
Brown et al., "Language Models are Few-Shot Learners" (GPT-3) 2020 Escala i aprenentatge en context: la base dels LLM del cas 7 05-05
Mitchell et al., "Model Cards for Model Reporting" 2019 La plantilla de la model card de 08-01 i 09-04 08-01, 02-04

Ordre de lectura suggerit: Turing (històric i accessible), Model Cards (curt i directament útil), Vaswani (el més citat avui; llegeix-lo amb 05-05 al costat), i després els altres segons el teu itinerari.

  1. Pla de lectura en tres etapes i aterratge a NovaMarket

Etapa Durada orientativa Què llegir Com treballar-ho
1. Consolidar 1-2 mesos Burkov (sencer); Ng, ML Yearning (sencer); Turing 1950 i Model Cards Quadern de notes per capítol; refés un exercici de 09-02 aplicant una idea de cada llibre
2. Aprofundir 3-4 mesos Géron (parts I i II) o Chollet, segons prefereixis ML clàssic o xarxes; Mitchell, A Guide for Thinking Humans com a lectura lleugera; Vaswani 2017 amb 05-05 Reprodueix els quaderns i aplica'ls a comandes_nm.csv/ressenyes; escriu un resum de dues pàgines per llibre
3. Especialitzar Continu Segons itinerari (10-04): ISL o PRML; Prince o Goodfellow; Koller & Friedman o Bratko; Huyen; O'Neil i Crawford Un llibre cada dos o tres mesos; un paper al mes amb les tres passades; comparteix les teves notes (10-03)

La Marta (responsable de dades, té el predictor de frau en producció i l'assistent RAG per construir) llegiria primer ML Yearning (decisions de projecte en dues setmanes), després Huyen per al monitoratge del predictor i, en paral·lel, Géron perquè el seu equip comparteixi vocabulari; Vaswani i BERT quan engegui l'assistent. El Diego (operacions, sense perfil tècnic) començaria per Mitchell (què pot i què no pot fer la IA), continuaria amb O'Neil (riscos del predictor que ell fa servir cada dia) i llegiria el resum i les figures de l'article de Model Cards per entendre el document que la Marta li lliura amb cada model.

Errors Comuns i Consells

  • Comprar (o descarregar) cinc llibres i no acabar-ne cap. Tria'n un per etapa; la resta, a la llista d'espera.
  • Llegir sense teclat. Si el llibre porta codi i no l'executes, en retens una fracció. Reserva la lectura passiva per als de divulgació.
  • Començar per Goodfellow o Bishop. Són referències avançades; començar per aquí desanima. L'ordre importa: Burkov/Géron/Chollet abans.
  • Confondre gratuït amb permanent. El que avui és en obert pot deixar de ser-hi; desa les teves notes, no depenguis del PDF.
  • Llegir papers com si fossin veritat revelada. Un article és una afirmació amb evidència; comprova la línia base, les dades i si algú l'ha reproduït (Papers with Code hi ajuda).
  • Consell: segueix una regla "un llibre dens + un de lleuger" i "un paper al mes"; anota sempre la connexió amb un mòdul del curs; això converteix la lectura en coneixement.

Exercicis

  1. Triar i justificar. Escull un llibre de les taules per a la teva situació actual (nivell, temps disponible, objectiu) i escriu un paràgraf justificant la tria amb tres criteris: quin mòdul del curs amplia, per què aquest nivell i què en faràs (codi a reproduir, dades a què aplicar-lo).
  2. Pla de lectura personal. Adapta la taula de tres etapes a tres mesos reals del teu calendari: posa-hi setmanes, capítols i un lliurable per etapa (per exemple, un quadern reproduït, un resum o una entrada al quadern JSON de la secció 1).
  3. Primera passada d'un paper. Tria'n un de la taula d'articles (recomanat: Model Cards o Vaswani 2017) i fes-ne la passada 1: escriu en cinc línies quin problema resol, quina és la contribució, què mostra la figura o taula principal i quina connexió té amb el curs.

Solucions

  1. Exemple: "Trio Géron perquè amplia el mòdul 4 complet i part del 5, que és el que més faré servir com a júnior; el seu nivell introductori-intermedi encaixa amb el que ja sé de scikit-learn; reproduiré els quaderns dels capítols de classificació i ajust de models i els aplicaré al predictor de frau de NovaMarket per intentar superar l'AUC de 0,844 amb un pipeline més ben documentat."
  2. Exemple: Setmanes 1-3: Burkov complet, una entrada al quadern per capítol. Setmanes 4-6: ML Yearning, lliurable: document d'una pàgina amb la partició de dades i la mètrica del cas 4 revisades. Setmanes 7-12: Géron caps. 2-4 i 6-7 amb quaderns reproduïts; lliurable: quadern propi amb validació imbricada sobre comandes_nm.csv.
  3. Exemple (Model Cards, 2019): Problema: els models es publiquen sense explicar per a què serveixen ni com fallen. Contribució: una plantilla estàndard (detalls del model, ús previst, factors, mètriques, dades d'avaluació, consideracions ètiques). Figura principal: exemples de model cards amb mètriques desglossades per subgrup. Connexió: és la plantilla que seguim a 08-01 i 09-04; el desglossament per subgrup és el que faltava a la model card del predictor de frau.

Conclusió

Has après a llegir tècnica de manera activa (esperar, reproduir, anotar), tens un mapa de llibres per bloc amb el seu nivell i el mòdul que amplien (referència general amb AIMA i Poole & Mackworth; ML pràctic amb Burkov, Géron, Müller & Guido i ISL; deep learning amb Chollet, Prince i Goodfellow; probabilitat amb Bishop, Koller & Friedman i Pearl; sistemes experts amb Giarratano & Riley i Bratko; ètica amb O'Neil, Crawford i Mitchell; projectes amb Huyen i Ng), una llista de dotze articles que expliquen d'on surt cada idea del curs i un mètode de tres passades per llegir qualsevol paper, a més d'un pla en tres etapes i les primeres lectures de la Marta i el Diego. Els llibres donen profunditat i permanència; però aprendre només amb llibres és lent quan el que necessites és pràctica guiada i correcció. A la lliçó següent (10-02) veurem com triar cursos i tutorials en línia, quins són els de referència per a cada mòdul del curs i com muntar un pla de tres mesos que combini vídeo, documentació oficial i pràctica deliberada.

◄ Anterior
◄
Següent ►
►

Fonaments d'Intel·ligència Artificial (IA)

Mòdul 1: Introducció a la Intel·ligència Artificial

Mòdul 2: Principis Bàsics de la IA

Mòdul 3: Algorismes en IA

Mòdul 4: Aprenentatge Automàtic (Machine Learning)

Mòdul 5: Xarxes Neuronals i Deep Learning

Mòdul 6: Lògica i Sistemes Experts

Mòdul 7: Eines i Llenguatges de Programació en IA

Mòdul 8: Projectes i Casos d'Estudi

Mòdul 9: Exercicis i Pràctiques

Mòdul 10: Recursos Addicionals

El Projecte | Sobre nosaltres | Contribuir | Donacions | Llicència
© Copyright 2026. Tots els drets reservats