Reseña del libro "Inteligencia Artificial para Estudiantes de Ciencias"
Inteligencia Artificial para estudiantes de Ciencias es un manual de introducción a la inteligencia artificial (IA) dirigido a estudiantes de los últimos cursos de titulaciones científicas y a investigadores e investigadoras que deseen incorporar estas herramientas a su práctica profesional. Esta obra parte de una convicción clara: la IA solo resulta verdaderamente útil en ciencia cuando se comprende con rigor matemático, sentido crítico y conocimiento detallado del contexto experimental o teórico en el que se aplica.
Con ese objetivo, el volumen desarrolla de manera progresiva los fundamentos conceptuales y matemáticos del aprendizaje automático, los principales métodos de machine learning clásico, las redes neuronales profundas y las arquitecturas clave que definen hoy la frontera del campo. Se abordan, entre otros temas, la generalización, la validación cruzada, la regularización, la regresión, la clasificación, la reducción de dimensionalidad, los modelos generativos, los transformers, el aprendizaje por refuerzo y las redes informadas por principios científicos.
Uno de los rasgos distintivos del libro es su atención al régimen de datos escasos característico de buena parte de la ciencia experimental, así como su insistencia en las buenas prácticas de modelización, evaluación e interpretabilidad. La exposición combina teoría, intuición disciplinar y ejemplos implementados en Python mediante scikit-learn y PyTorch, con un enfoque orientado a la comprensión profunda más que al uso superficial de librerías.
Basado en varios años de experiencia docente en la Universidad Autónoma de Madrid, este texto aspira a servir como puente sólido entre la formación científica tradicional y las técnicas de IA que están redefiniendo el trabajo científico contemporáneo.
Inteligencia Artificial para estudiantes de Ciencias es un manual de introducción a la inteligencia artificial (IA) dirigido a estudiantes de los últimos cursos de titulaciones científicas y a investigadores e investigadoras que deseen incorporar estas herramientas a su práctica profesional. Esta obra parte de una convicción clara: la IA solo resulta verdaderamente útil en ciencia cuando se comprende con rigor matemático, sentido crítico y conocimiento detallado del contexto experimental o teórico en el que se aplica.
Con ese objetivo, el volumen desarrolla de manera progresiva los fundamentos conceptuales y matemáticos del aprendizaje automático, los principales métodos de machine learning clásico, las redes neuronales profundas y las arquitecturas clave que definen hoy la frontera del campo. Se abordan, entre otros temas, la generalización, la validación cruzada, la regularización, la regresión, la clasificación, la reducción de dimensionalidad, los modelos generativos, los transformers, el aprendizaje por refuerzo y las redes informadas por principios científicos.
Uno de los rasgos distintivos del libro es su atención al régimen de datos escasos característico de buena parte de la ciencia experimental, así como su insistencia en las buenas prácticas de modelización, evaluación e interpretabilidad. La exposición combina teoría, intuición disciplinar y ejemplos implementados en Python mediante scikit-learn y PyTorch, con un enfoque orientado a la comprensión profunda más que al uso superficial de librerías.
Basado en varios años de experiencia docente en la Universidad Autónoma de Madrid, este texto aspira a servir como puente sólido entre la formación científica tradicional y las técnicas de IA que están redefiniendo el trabajo científico contemporáneo.
