Links sobre machine learning

El objetivo de este post es ir recolectando links útiles para el auto-aprendizaje de machine learning y data science. No solo para aprender cosas que todavía no se, sinó también para mis clases, siempre hay material interesante que aporta una nueva visión sobre algo que uno ya conoce. A medida que encuentre nuevo material lo voy a ir subiendo.

Fundamentos

• Julia programming for Machine Learning (curso en Pluto): https://adrianhill.de/julia-ml-course/

• Curso introductorio (en inglés, en video): https://www.youtube.com/playlist?list=PLOU2XLYxmsII9mzQ-Xxug4l2o04JBrkLV

• Curso introductorio, de Bloomberg (en inglés, libro web): https://bloomberg.github.io/foml/#home

• Made with ML. Otro curso introductorio (en ingles, libro web): https://madewithml.com/#course

• Repositorio de Made with ML (en inglés, repo): https://github.com/GokuMohandas/Made-With-ML

• Computational and Inferential Thinking Course: https://inferentialthinking.com/

Diferenciación automática

• An Illustrated Guide to Automatic Sparse Differentiation: https://iclr-blogposts.github.io/2025/blog/sparse-autodiff/

Ciencia de datos con Julia

• Repo del libro Julia Data Science (en inglés, repositorio): https://github.com/JuliaDataScience/JuliaDataScience

• Blog (desactualizado) sobre el uso de Julia para ciencia de datos (en inglés, blog): https://www.juliafordatascience.com/

• Discusión en Discourse acerca de como iniciarse en la ciencia de datos con Julia (en inglés, foro): https://discourse.julialang.org/t/whats-the-current-spring-2024-canonical-approach-to-data-science-in-julia/112427

• Repo de un curso de Julia Academy sobre Julia para Machine Learning (en ingles, repo): https://github.com/JuliaAcademy/DataScience

Convolución

• Post acerca de como implementar convolución en Julia: [https://medium.com/data-science/understanding-convolution-by-implementing-in-julia-3ed744e2e933][https://medium.com/data-science/understanding-convolution-by-implementing-in-julia-3ed744e2e933]

Deep learning

• Julia for Deep Learning: https://apxml.com/courses/julia-deep-learning

• Comparación entre Flux, TensorFlow y PyTorch (sesgada hacia el lado de Julia): https://aicompetence.org/flux-jl-vs-pytorch-tensorflow-julia/

• Curso de Deep Learning for Computer Vision: https://www.youtube.com/playlist?list=PLoROMvodv4rOmsNzYBMe0gJY2XS8AQg16

• Curso de Deep Learning: https://atcold.github.io/NYU-DLSP21/

• Cursos de CAMLab: https://www.youtube.com/@CAMLabETHZurich

• Deep dive into deep learning: https://d2l.ai/index.html

• Deep Learning with Julia – How to Build and Train a Model using a Neural Network: https://www.freecodecamp.org/news/deep-learning-with-julia/

• Código del link anterior: https://github.com/AndreyGermanov/phones_reader

Physics informed neural networks

• So, what is a physics-informed neural network?: https://benmoseley.blog/my-research/so-what-is-a-physics-informed-neural-network/

Forecasting

• Forecasting: Principles and Practice (libro online interactivo, en R): https://otexts.com/fpp3/index.html

• Forecasting: Principles and Practice (libro online interactivo, en Python): https://otexts.com/fpppy/

LLM

• Building Large Language Models (en inglés, video): https://www.youtube.com/watch?v=9vM4p9NN0Ts

• Nano-Chat, de Andrej Karpathy (en inglés, repositorio): https://github.com/karpathy/nanochat/tree/master

• Nano-GPT, de Andrej Karpathy (en inglés, repositorio): https://github.com/karpathy/nanoGPT

• Deep Dive into LLMs like ChatGPT, de Andrej Karpathy (en inglés, video): https://www.youtube.com/watch?v=7xTGNNLPyMI

Optimizadores

• Post sobre optimizadores para redes neuronales, desde descenso por gradiente hasta ADAM: [https://medium.com/@abhishekjainindore24/story-about-optimizers-from-gradient-descent-to-adam-optimizer-94804f5a0614][https://medium.com/@abhishekjainindore24/story-about-optimizers-from-gradient-descent-to-adam-optimizer-94804f5a0614]

Transfer learning

• Transfer learning with Flux: https://towardsdatascience.com/transfer-learning-and-twin-network-for-image-classification-using-flux-jl-cbe012ced146/

• (Another) Transfer learning with Flux: https://medium.com/@mr.vladimir.markovic1979/introduction-revolutionizing-model-fine-tuning-with-julia-flux-jl-66a12d259b8a

Redes neuronales

• Curso Neural Networks: Zero to Hero de Andrej Karpathy, uno de los desarrolladores de GPT de (not)Open AI (en inglés, en video): https://karpathy.ai/zero-to-hero.html

Redes neuronales bayesianas

• Un post (viejito) acerca de como implementarlas con Flux.jl: https://dm13450.github.io/2020/12/19/EdwardAndFlux.html

• Un tutorial usando Turing y Flux: https://turing.ml/dev/tutorials/03-bayesian-neural-network/