Has acabat els nou mòduls tècnics del curs: coneixes el flux de treball complet de l'aprenentatge automàtic, has entrenat models supervisats i no supervisats, saps avaluar-los amb rigor i n'has portat un a producció amb els projectes de MercaFresh. Ara toca consolidar i aprofundir, i per a això els llibres continuen sent insubstituïbles: ofereixen una profunditat i una coherència que cap tutorial solt no pot donar. En aquesta lliçó no hi trobaràs una llista interminable, sinó una selecció curta d'obres consolidades, amb criteri sobre per a qui és cadascuna, què aporta després d'aquest curs i en quin ordre abordar-les.

1. Com triar un llibre tècnic (i com no fer-ho)
2. Introducció pràctica: els dos imprescindibles
3. Fonaments matemàtics i estadístics
4. Deep learning
5. Machine learning en producció
6. Taula resum: quin llibre amplia quin mòdul
7. Com llegir un llibre tècnic
8. Rutes de lectura segons el teu perfil

Abans de la llista, un criteri: un bon llibre per a tu no és el més citat, sinó el que està un graó per sobre del teu nivell actual, ni dos ni cap. Després d'aquest curs ja no ets un principiant absolut: pots saltar-te els llibres de "ML per a tots els públics" i anar directament a obres amb codi o amb matemàtiques de debò.

Tingues en compte també l'idioma: la immensa majoria de la bibliografia de referència en machine learning és en anglès, i les traduccions al castellà (quan existeixen) solen anar una o dues edicions endarrere. Llegir anglès tècnic és una inversió obligada en aquest camp; la bona notícia és que l'anglès dels llibres tècnics és molt més senzill que el literari.

• Idioma: anglès (existeix traducció al castellà d'edicions anteriors, però l'edició actualitzada és l'anglesa).
• Per a qui: exactament per a algú que acaba d'acabar aquest curs. És el complement natural.
• Què aporta després d'aquest curs: cobreix el mateix stack que hem fet servir (scikit-learn i Keras) però amb més profunditat en cada algorisme. La primera part amplia els mòduls 3, 4, 6 i 7 (pipelines, arbres, ensembles, ajust d'hiperparàmetres); la segona part amplia el deep learning que només vam esbossar al mòdul 7 i al projecte de CNN del mòdul 9.
• Com abordar-lo: és un llibre per llegir amb l'ordinador al davant. Els notebooks de l'autor són disponibles a GitHub; reprodueix-los i després adapta'ls a un dataset propi (per exemple, les dades de MercaFresh que vas construir als projectes).

• Idioma: anglès. Gratuït en PDF al web oficial dels autors (statlearning.com). N'existeix una edició amb laboratoris en Python (ISL with Applications in Python), a més de la clàssica en R.
• Per a qui: qui vulgui entendre el perquè estadístic del que hem fet, sense necessitar un doctorat.
• Què aporta després d'aquest curs: és el pont perfecte entre el mòdul 2 (estadística) i els mòduls 4 i 7. Explica la regressió lineal i la logística, la validació creuada, la regularització (ridge i lasso, que vam veure a 07-01) i els arbres amb un rigor que l'enfocament pràctic del curs no permetia, però amb matemàtiques assequibles.
• Com abordar-lo: després o en paral·lel al de Géron. Géron et dona el "com"; ISL et dona el "per què".

Quan ISL et sàpiga a poc, existeixen dues obres de referència. Avís honest: no són el pas següent immediat després d'aquest curs; són llibres als quals tornaràs durant anys.

• Idioma: anglès. Gratuït en PDF al web dels autors (Stanford).
• Per a qui: perfil amb base sòlida d'àlgebra lineal, càlcul i probabilitat. És el "germà gran" d'ISL, escrit en part pels mateixos autors.
• Què aporta després d'aquest curs: la teoria completa darrere de gairebé tot el temari: des de la regressió regularitzada del mòdul 7 fins al boosting (capítol de referència sobre gradient boosting, la base d'XGBoost i LightGBM que vam fer servir) i els mètodes no supervisats del mòdul 5.

• Idioma: anglès. Microsoft Research el distribueix gratuïtament en PDF des de fa anys.
• Per a qui: qui prefereixi un enfocament probabilístic/bayesià rigorós.
• Què aporta després d'aquest curs: formalitza el que vas intuir a Naive Bayes (mòdul 4) i a les distribucions del mòdul 2; aprofundeix en mixtures i mètodes de variables latents que connecten amb el clustering del mòdul 5.

• Idioma: anglès (hi ha traducció al castellà de la segona edició en algunes editorials, però verifica l'edició).
• Per a qui: qui hagi gaudit del projecte de CNN (09-02) i el d'NLP (09-03) i vulgui especialitzar-se en xarxes.
• Què aporta després d'aquest curs: escrit pel creador de Keras, el framework que vam fer servir. Amplia directament 07-04 i els projectes 09-02 i 09-03, amb la mateixa filosofia pràctica del curs. És el pas següent natural en deep learning.

• Idioma: anglès. Gratuït en línia a deeplearningbook.org.
• Per a qui: perfil matemàtic que vulgui la teoria de les xarxes neuronals.
• Què aporta després d'aquest curs: els fonaments (optimització, regularització en xarxes, arquitectures) que Chollet tracta de manera pràctica. Llegeix-lo després de Chollet, no abans.

• Idioma: anglès.
• Per a qui: qui s'hagi quedat amb ganes de més després del mòdul 8 i aspiri a un rol d'ML engineer.
• Què aporta després d'aquest curs: tot el que al mòdul 8 vam veure de manera introductòria — desplegament, monitoratge, deriva de dades (08-03), decisions de disseny, dades en streaming — tractat amb l'experiència de sistemes reals a escala. És un llibre de criteri, no de codi: complementa, no repeteix, el que vam fer amb FastAPI i Docker a 08-02.

Un llibre d'ML no es llegeix com una novel·la. Consells concrets:

• Tecleja el codi a mà. No copiïs i enganxis, i encara menys llegeixis el codi "de passada". En teclejar-lo comets errors, i depurar-los és on passa l'aprenentatge.
• Un capítol, un notebook. Crea un notebook per capítol amb les teves notes i experiments. En acabar el llibre tindràs la teva pròpia referència.
• Canvia el dataset. Reproduir l'exemple de l'autor és el 40% del valor; aplicar-lo a un dataset diferent (un de MercaFresh, un de Kaggle) és el 60% restant.
• Accepta saltar-te capítols. Els llibres de referència (ESL, Bishop) no estan pensats per llegir-se sencers i en ordre. Fes servir l'índex com un mapa, no com un contracte.
• Rellegeix. ISL llegit després del mòdul 4 i rellegit després d'un any de pràctica són dos llibres diferents.

En tots els casos: un llibre alhora. Començar tres llibres en paral·lel és la manera més eficaç de no acabar-ne cap.

• Error: comprar llibres com a substitut d'estudiar. Acumular PDF i llibres a la prestatgeria produeix una falsa sensació de progrés. Regla pràctica: no aconsegueixis un llibre nou fins que hagis avançat substancialment en l'anterior.
• Error: començar pels llibres avançats "per fer-ho bé des del principi". Atacar ESL o Bishop sense la maduresa matemàtica necessària només produeix frustració i abandonament. ISL existeix precisament per a això: mateix contingut conceptual, matemàtiques assequibles.
• Error: llegir sense ordinador. Si portes 30 pàgines d'un llibre amb codi i no has executat res, estàs llegint, no aprenent.
• Consell: aprofita els gratuïts. Quatre dels set llibres d'aquesta lliçó són legalment gratuïts en PDF per decisió dels seus autors. No hi ha barrera econòmica per als fonaments.
• Consell: verifica l'edició. En ML les edicions importen (les API canvien). Busca sempre l'última edició, especialment en Géron i Chollet.

Tria el teu perfil a la taula de rutes i dissenya un pla de lectura de 6 mesos per al primer llibre de la teva ruta: capítols per setmana, què faràs amb el codi de cada capítol i quin dataset propi faràs servir per adaptar els exemples.

Descarrega el PDF gratuït d'An Introduction to Statistical Learning des de statlearning.com. Llegeix el capítol 2 ("Statistical Learning") i contrasta la seva explicació de l'equilibri biaix-variància amb el que vam veure al mòdul 6 sobre overfitting. Anota dues idees que el llibre expliqui millor que aquest curs i una que aquest curs expliqués de manera més pràctica.

Aconsegueix el primer capítol amb codi del llibre que hagis triat (els notebooks de Géron són públics al seu GitHub) i aplica el mètode de la lliçó: tecleja el codi a mà en un notebook propi, anota el que no entenguis i canvia el dataset de l'exemple per un de diferent.

Exercici 1 (orientativa): un pla realista per a Géron podria ser 1 capítol cada 1-2 setmanes (la primera part té un ritme assumible; els capítols de deep learning demanen 2 setmanes). Compromís per capítol: reproduir el notebook, resoldre almenys un exercici proposat i adaptar l'exemple a un dataset propi (per exemple, el de segmentació de clients del projecte 09-05). Senyal d'alarma: si en 3 setmanes no has obert el llibre, redueix l'objectiu, no l'abandonis.

Exercici 2 (orientativa): és habitual trobar que ISL formalitza millor la descomposició biaix-variància (amb la seva expressió matemàtica) i la diferència entre error d'entrenament i de test; i que aquest curs va ser més pràctic en mostrar l'overfitting amb corbes de validació en scikit-learn sobre dades de MercaFresh. No hi ha una resposta única: l'objectiu és que comparis fonts activament.

Exercici 3 (orientativa): el més esperable és que en teclejar cometis 3-5 errors (imports oblidats, parèntesis, noms de variables) i que depurar-los t'obligui a entendre línies que hauries passat per alt. Si en canviar el dataset alguna cosa es trenca (columnes amb un altre nom, valors mancants), enhorabona: ets exactament en el tipus de problema real que el mòdul 3 et va ensenyar a resoldre.

Els llibres són la forma més densa i coherent de coneixement disponible en machine learning, i després d'aquest curs ja tens el nivell per aprofitar els bons: Géron i ISL com a continuació natural, ESL/Bishop i Goodfellow quan busquis teoria, Chollet per al deep learning i Huyen per a la producció. La clau no és quants en llegeixes, sinó com: un alhora, amb l'ordinador al davant i adaptant cada exemple a les teves pròpies dades. A la propera lliçó veurem el complement dinàmic dels llibres: els cursos en línia, on trobar-los amb criteri i com evitar convertir-te en un col·leccionista de certificats.