Aprendizaje Automático y Minería de Datos

El aprendizaje automático es posiblemente el campo más revolucionario de nuestro tiempo, dentro de la disciplina de la Inteligencia Artificial. Cada vez más presente en el mundo del desarrollo de videojuegos, sus aplicaciones son innumerables, siendo la Minería de Datos una de las que más ha cambiado la forma de trabajar en la industria.

Los grandes bloques a tratar serían:

1. Introducción
2. Minería de datos
3. Aprendizaje supervisado
4. Aprendizaje no supervisado
5. Aprendizaje por refuerzo
6. Cuestiones avanzadas

Material docente

Federico Peinado, profesor en la Universidad Complutense, ha comenzado a impartir esta asignatura en el Grado en Desarrollo de Videojuegos. Las diapositivas del curso 2026-2027 estarán disponibles próximamente entre todas las que ha compartido en SlideShare.

Referencias

Bibliografía básica recomendada en la asignatura, especialmente Artificial Intelligence for Games de Ian Millington. Los enlaces indican que hay ejemplares disponibles para los alumnos de la universidad.

• Géron, A. (2025). Hands-On Machine Learning with Scikit-Learn and PyTorch: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly Media. (Muy bueno para prácticas de aprendizaje supervisado y no supervisado; el libro UCM previo Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow (3rd ed.) es similar y está en español)
• Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer. (Libro digital UCM con PDF corregido y accesible de 2017, todo un clásico teórico al que llaman el «ESL»)
• McKinney, W. (2022). Python for data analysis: Data wrangling with pandas, NumPy, and Jupyter (3rd ed.). O’Reilly Media. (Libro UCM; útil sobre preparación de datos, el autor es creador del proyecto Pandas… es la base de casi todas las prácticas; también está en español)
• Raschka, S., Liu, Y., & Mirjalili, V. (2022). Machine learning with PyTorch and Scikit-Learn: Develop machine learning and deep learning models with Python. Packt Publishing. (Libro digital UCM; Más actualizado que el de 2019, aunque más avanzado… a nivel práctico complementa el de Géron, entrando en detalle en aprendizaje supervisado, ofreciendo también ejercicios para no supervisado y por refuerzo; y está en español)
• Russell, S., Norvig, P.: Artificial Intelligence: A Modern Approach. Pearson Education Limited, 4th Global Edition (2021). (Libro digital UCM de la tercera edición, siempre un gran texto de referencia, con su repositorio en GitHub)

Más información

Más bibliografía recomendada e información para completar.

• Alammar, J., & Grootendorst, M. (2024). Hands-on large language models: Language understanding and generation. O’Reilly Media. (Más bien sobre LLMs)
• Barber, D. (2012). Bayesian reasoning and machine learning. Cambridge University Press.
• Bishop, C. M. (2006). Pattern recognition and machine learning. Springer. (Libro digital UCM; Referencia histórica imprescindible, complementa a nivel matemático el de Hastie et al.)
• Bishop, C. M., & Bishop, H. (2024). Deep learning. Springer. (Complemento ideal para su libro clásico de 2006)
• Champandard, A., Kreuger, L. (2003). AI Game Development: Synthetic Creatures with Learning and Reactive Behaviors. New Riders Publishing.
• Chollet, F. (2021). Deep learning with Python (2nd ed.). Manning Publications. (Libro UCM; Gran introducción práctica)
• Flach, P. (2012). Machine learning: The art and science of algorithms that make sense of data. Cambridge University Press. (Muy bueno para entender conceptos sin profundizar en lo matemático)
• GDC: Game Developers Conference. (Charlas de programación en IA)
• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. (Libro UCM; De los mejores texto sobre aprendizaje profundo)
• Grus, J. (2019). Data science from scratch: First principles with Python (2nd ed.). O’Reilly Media. (Para principiantes)
• Huyen, C. (2022). Designing machine learning systems. O’Reilly Media. (Una gran opción actual para conectar el aprendizaje automático con sistemas reales)
• James, G., Witten, D., Hastie, T., & Tibshirani, R. (2024). An introduction to statistical learning with applications in Python. Springer. (Existe otro con las aplicaciones en R)
• Koller, D., & Friedman, N. (2009). Probabilistic graphical models: Principles and techniques. MIT Press. (Libro UCM, muy interesante para la parte probabilística)
• Lanham, M. (2019). Hands-on deep learning for games: Leverage the power of neural networks and reinforcement learning to build intelligent games (1st ed.). Packt Publishing.
• Lapan, M. (2024). Deep reinforcement learning hands-on: A practical and easy-to-follow guide to RL from Q-learning and DQNs to PPO and RLHF (3rd ed.). Packt Publishing. (Permite hacer ejercicios de aprendizaje por refuerzo con PyTorch).
• Mitchell, T. M. (1997). Machine learning. McGraw-Hill. (Libro UCM; un clásico histórico, que ya ha quedado viejo)
• Molin, S. (2021). Hands-on data analysis with pandas: A Python data science handbook for data collection, wrangling, analysis, and visualization. Packt Publishing. (Útil sobre análisis exploratorio de datos)
• Murphy, K. P. (2022). Probabilistic machine learning: An introduction. MIT Press.
• Murphy, K. P. (2023). Probabilistic machine learning: Advanced topics. MIT Press. (Libro UCM; complementa al otro libro, las referencias modernas sobre aprendizaje probabilístico).
• Pajares, G., Herrera, P. J., & Besada, E. (2021). Aprendizaje profundo. RC Libros.
• Prince, S. J. D. (2023). Understanding deep learning. MIT Press.
• Raschka, S., & Mirjalili, V. (2019). Python machine learning: Machine learning and deep learning with Python, scikit-learn, and TensorFlow 2 (3rd ed.). Packt Publishing.
• Roberts, P. (2022). Artificial Intelligence in Games (1st ed.). CRC Press. (Con material para el estudiante en el sitio web de Routledge)
• Rodriguez, C. (2024). Generative AI foundations in Python: Discover key techniques and navigate modern challenges in LLMs (1st ed.). Packt Publishing.
• Santana Vega, C. (2017). Aprende Inteligencia Artificial. Dot CSV, YouTube. (Y otros videos y listas interesantes de este canal)
• Shaker, N., Togelius, J., Nelson, M.J. (2016). Procedural Content Generation in Games. Springer. (Libro digital UCM)
• Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction (2nd ed.). MIT Press. (Libro UCM; es el estándar absoluto del aprendizaje por refuerzo, verdaderamente fundamental)
• Thompson, T.: AI and Games & AI and Games++. YouTube.
• Tunstall, L., von Werra, L., & Wolf, T. (2022). Natural language processing with transformers: Building language applications with Hugging Face. O’Reilly Media. (Libro UCM; Sobre la arquitectura de los Transformers)
• Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2025). Data Mining: Practical Machine Learning Tools and Techniques (5th ed.). Morgan Kaufmann.
• Yannakakis, G.N., Togelius, J. (2018). Artificial Intelligence and Games. Springer. (Libro digital UCM que aunque es académico, es muy bueno y está muy completo)
• Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2022). Dive into deep learning. (Libro gratuito con ejemplos ejecutables y de código abierto en su propio sitio web, muy actualizado)

Unity ofrece una extensa plataforma de aprendizaje sobre su entorno de desarrollo y también ha documentado Unity ML-Agents Toolkit. La Python Software Foundation ofrece por su parte un buen sitio web con la documentación de Python.