Aprendizaje Automático y Go (Golang): desde los fundamentos hasta producción

Este libro es la primera guía práctica en español sobre la creación de sistemas de aprendizaje automático en el lenguaje Go. Si eres un desarrollador Go que quiere incorporar ML en sus proyectos, o un científico de datos interesado en un lenguaje eficiente y fiable para producción, este libro es para ti.

De qué trata el libro

El libro cubre el ciclo completo de trabajo con aprendizaje automático en Go: desde la recopilación y el preprocesamiento de datos, la construcción de modelos (regresión lineal, árboles de decisión, redes neuronales) hasta su despliegue en una arquitectura de microservicios. Se presta especial atención a:

• Bibliotecas y frameworks: golearn, Gorgonia, gonum, tfgo (TensorFlow para Go);
• Procesamiento de grandes volúmenes de datos mediante canales (channels) y gorutinas;
• Integración con servicios ML externos (TensorFlow Serving, ONNX Runtime);
• Creación de APIs REST/gRPC para modelos;
• Pruebas, monitorización y pruebas A/B de sistemas ML.

Para quién es este libro

• Desarrolladores Go que quieran añadir aprendizaje automático a su stack;
• Científicos de datos que deseen migrar de Python a un Go más eficiente;
• Ingenieros DevOps responsables del despliegue de modelos ML;
• Estudiantes y profesores de cursos de aprendizaje automático.

Qué aprenderás

• Cómo elegir la herramienta adecuada para una tarea específica de ML en Go;
• Cómo construir y entrenar modelos de regresión, clasificación y agrupamiento;
• Cómo optimizar el modelo para alta carga y baja latencia;
• Cómo integrar el modelo en un servicio Go existente (por ejemplo, con el framework Gin o Echo);
• Cómo usar ONNX para transferir modelos entre Python y Go;
• Cómo escribir pruebas unitarias para componentes ML y gestionar versiones de modelos (DVC, Git LFS).

¿Por qué Go para ML?

Go combina el rendimiento de C/C++ con la simplicidad de Python. Es ideal para producción: tipado estático, compilación rápida, soporte integrado para concurrencia. El libro muestra cómo estas ventajas ayudan a construir sistemas ML escalables y fiables.

Ejemplo del libro

En el capítulo 5, implementarás un servicio de recomendaciones basado en filtrado colaborativo, desde la carga de datos desde CSV hasta el despliegue en Docker con Kubernetes. El código completo y las pruebas están disponibles en el repositorio.

El libro está dirigido a lectores con conocimientos básicos de Go (sintaxis, estructuras, interfaces) y fundamentos de aprendizaje automático (qué son las características, las métricas, el sobreajuste).