Bibliografía

Todas las lecturas de la materia, con enlace a su fuente oficial

Material principal (Python)

Texto	Acceso	Se usa en
James, G., Witten, D., Hastie, T., Tibshirani, R. & Taylor, J. (2023). An Introduction to Statistical Learning with Applications in Python (ISLP). Springer.	statlearning.com, PDF gratuito oficial	Clase 1 (cap. 1), Clase 4 (caps. 2 y 5), Clase 5 (caps. 3 y 6), Clase 6 (partes del cap. 4, ver abajo), Clase 8 (cap. 8), Clases 9 y 10 (cap. 12)
McKinney, W. (2022). Python for Data Analysis (3ª ed.). O’Reilly.	wesmckinney.com/book, libro web gratuito	Clase 1 (cap. 3, complementario) y Clase 2 (caps. 5–7)
Wilke, C. O. (2019). Fundamentals of Data Visualization. O’Reilly.	clauswilke.com/dataviz, libro web gratuito	Clase 3 (caps. 1–7, 21 y 22)
Hyndman, R. J. & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3ª ed., FPP3). OTexts.	otexts.com/fpp3, libro web gratuito	Clase 7 (está escrito en R; el lado Python se trabaja con `statsmodels`)
Alammar, J. & Grootendorst, M. (2024). Hands-On Large Language Models. O’Reilly.	llm-book.com, sitio oficial (libro comercial)	Clase 12 (cap. 1)

Clase 6 · qué leer del capítulo 4 de ISLP, y qué no

El capítulo 4 cubre varios clasificadores, y en la clase vemos uno solo: regresión logística. La lectura obligatoria son estas cuatro partes, no el capítulo entero.

§4.1 y §4.2 · qué es un problema de clasificación, y por qué una recta no sirve cuando la respuesta es una categoría.
§4.3 completa (§4.3.1 a §4.3.5) · la regresión logística: el modelo, cómo se estiman los coeficientes, cómo se predice, varios predictores y más de dos clases.
§4.4.2, solo la parte de evaluación, desde la Tabla 4.4 (p. 152) hasta el final de la sección · matriz de confusión, clasificador nulo, sensibilidad y especificidad, elección del umbral (Tabla 4.5 y Fig. 4.7), curva ROC y AUC (Fig. 4.8), y el vocabulario de las Tablas 4.6 y 4.7. El libro lo desarrolla sobre LDA, un método que no vemos, pero las métricas son las mismas para cualquier clasificador.
Laboratorio §4.7.1 y §4.7.2 · los datos y el ajuste de una regresión logística en Python.

Queda afuera: el resto de §4.4 (LDA, QDA y naive Bayes), §4.5, §4.6 y el resto del laboratorio (§4.7.3 en adelante), que son otros clasificadores.

Material avanzado / opcional

Texto	Acceso	Se usa en
Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2ª ed., ESL). Springer.	hastie.su.domains/ElemStatLearn, PDF gratuito oficial	Clase 5 (cap. 6) y clase 8 (cap. 15), lectura avanzada

Referencia en R

Para quienes sigan la materia desde el lado R.

Texto	Acceso	Se usa en
Wickham, H. & Grolemund, G. (2017). R para Ciencia de Datos (edición en español). O’Reilly.	es.r4ds.hadley.nz, libro web gratuito	Clase 2 (caps. 4–6) y como referencia general
James, G., Witten, D., Hastie, T. & Tibshirani, R. (2021). An Introduction to Statistical Learning with Applications in R (2ª ed., ISLR). Springer.	statlearning.com, PDF gratuito oficial	Referencia en R de aprendizaje supervisado (clases 4-7)