Bibliografia #

Referências do livro, por capítulo, com status de validação. O status não é decoração: o Princípio I exige que toda citação científica esteja conferida contra a fonte primária antes de sustentar uma afirmação no corpo do texto.

Legenda de status #

Uma referência ⏳ pode aparecer numa lista de leitura, nunca como evidência de uma afirmação. Essa distinção é o que separa uma bibliografia de uma lista de coisas que parecem certas.

Esta legenda e a dos capítulos respondem a perguntas diferentes. Aqui a pergunta é "esta referência pode sustentar uma afirmação?" (Princípio I). Na seção "De onde isto veio" de cada capítulo, a pergunta é mais fina — "o que exatamente eu conferi desta obra?" — e a legenda tem cinco selos (✓ · ✓ᵐ · ⏳ · ❌ · 📖), definidos no Princípio X.

A tradução entre as duas é estrita, e sempre na direção conservadora: um ✓ desta página conferido só por DOI/identificador vale como ✓ᵐ no capítulo. Metadado prova que a obra existe, quem assina e quando saiu; não prova o que ela afirma por dentro. Onde a nota de verificação abaixo diz "(Crossref)", foi isso — e só isso — que se conferiu.

Por que tantos ⏳ nesta edição. Este livro nasceu em 2026-08 com a maquinaria pronta e o conteúdo em construção. As referências marcadas ⏳ são as que os capítulos-esqueleto vão precisar; elas entram no fluxo de verificação (skill academic-research) junto com a spec do capítulo correspondente. Publicar a lista antes de conferi-la é honesto; usá-la antes de conferi-la não seria.

Método pedagógico (transversal — Princípio III) #

• ✓ Sweller, J. (1988). Cognitive Load During Problem Solving: Effects on Learning. Cognitive Science, 12(2), 257–285. doi:10.1207/s15516709cog1202_4 — verificado em 2026-08-01. Origem do princípio de worked examples antes de exercício, que define o formato da seção "Pratique".
• ✓ van Merriënboer, J. J. G., Clark, R. E., & de Croock, M. B. M. (2002). Blueprints for complex learning: The 4C/ID-model. ETR&D, 50, 39–64. doi:10.1007/BF02504993 — verificado em 2026-08-01. Fundamenta a relação entre a trilha ml-zero (tarefas inteiras) e os capítulos (informação de apoio).
• ✓ Procida, D. Diátaxis: A systematic framework for technical documentation authoring. diataxis.fr — verificado em 2026-08-01. A regra de "um tipo de texto por seção".
• ⏳ Wiggins, G., & McTighe, J. (2005). Understanding by Design, 2ª ed. ASCD. — Backward Design; conferir edição e ISBN.

Capítulo 01 — Fundamentos #

• ✓ Belkin, M., Hsu, D., Ma, S., & Mandal, S. (2019). Reconciling modern machine-learning practice and the classical bias–variance trade-off. PNAS, 116(32), 15849–15854. doi:10.1073/pnas.1903070116 — verificado em 2026-08-01. Sustenta a advertência de que a intuição viés–variância não é lei universal no regime superparametrizado (double descent).
• ⏳ Vapnik, V. (1999). The Nature of Statistical Learning Theory. Springer. — Base formal da minimização do risco empírico.
• ⏳ Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning, 2ª ed. Springer. — Referência canônica da decomposição viés–variância.

Capítulo 02 — Dados #

• ✓ Gebru, T., Morgenstern, J., Vecchione, B., Wortman Vaughan, J., Wallach, H., Daumé III, H., & Crawford, K. (2021). Datasheets for Datasets. Communications of the ACM, 64(12), 86–92. doi:10.1145/3458723 — verificado em 2026-08-05. Origem da prática de ficha de dataset; o capítulo 02 adota uma versão mínima de sete perguntas e a torna executável (FichaDeDataset).
• ⏳ Kaufman, S., Rosset, S., Perlich, C., & Stitelman, O. (2012). Leakage in Data Mining: Formulation, Detection, and Avoidance. ACM TKDD. — A formulação de referência do vazamento. Prioridade: sustentaria a taxonomia das três fontes, hoje apresentada como síntese própria.

Capítulo 04 — Avaliação #

• ⏳ Saito, T., & Rehmsmeier, M. (2015). The Precision-Recall Plot Is More Informative than the ROC Plot When Evaluating Binary Classifiers on Imbalanced Datasets. PLOS ONE. — Sustenta a recomendação de AUC-PR para classes raras. Prioridade de verificação: esta referência sustenta uma recomendação já publicada no capítulo-piloto.
• ⏳ Niculescu-Mizil, A., & Caruana, R. (2005). Predicting Good Probabilities with Supervised Learning. ICML. — Calibração como propriedade independente do ranking.
• ⏳ Efron, B., & Tibshirani, R. (1993). An Introduction to the Bootstrap. Chapman & Hall. — O intervalo de confiança recomendado na seção de incerteza.

Capítulo 07 — Árvores e Ensembles #

• ✓ Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32. doi:10.1023/A:1010933404324 — verificado em 2026-08-05. Sustenta a afirmação de que a subamostragem de atributos existe para descorrelacionar as árvores, e não apenas para acelerar.
• ✓ Grinsztajn, L., Oyallon, E., & Varoquaux, G. (2022). Why do tree-based models still outperform deep learning on tabular data? NeurIPS 2022, Datasets and Benchmarks Track. arXiv:2207.08815 — verificado em 2026-08-05. Benchmark de 45 datasets; sustenta que modelos de árvore permanecem no estado da arte em tabular de porte médio (~10 mil exemplos) e identifica os três mecanismos (atributos não informativos, funções irregulares, orientação dos eixos).
• ⏳ Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. KDD. — Boosting moderno; entra quando o capítulo 16 tratar da biblioteca de produção.
• ⏳ Friedman, J. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics. — A formulação original do gradient boosting.

Capítulo 18 — O Neurônio Artificial #

• ✓ McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5, 115–133. doi:10.1007/BF02478259 — verificado em 2026-08-08. O modelo de neurônio que o capítulo 18 e o laboratório implementam.
• ✓ Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386–408. doi:10.1037/h0042519 — verificado em 2026-08-08 (Crossref). A regra de aprendizado que o Perceptron da etapa 18 implementa, e a prova de convergência para problemas separáveis.
• ⏳ Minsky, M., & Papert, S. (1969). Perceptrons. MIT Press. — A demonstração da limitação do XOR. Livro sem DOI; conferir edição e ISBN na fonte da editora.
• ⏳ Hebb, D. O. (1949). The Organization of Behavior. Wiley. — "Neurônios que disparam juntos, conectam-se juntos."
• ✓ Fukushima, K. (1980). Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biological Cybernetics, 36, 193–202. doi:10.1007/BF00344251 — verificado em 2026-08-08 (Crossref). Atenção à data: o DOI registra 1980 (versão em inglês); a publicação japonesa original é de 1979. O capítulo 18 traz as duas datas por isso.
• ⏳ Linnainmaa, S. (1970). Alqoritmin kumulatiivinen pyöristysvirhe… Dissertação de mestrado, Univ. de Helsinque. — A prioridade do modo reverso da diferenciação automática. Sem DOI e em finlandês; o capítulo 18 a cita como nota de cronologia, não como evidência de afirmação técnica.
• ⏳ Werbos, P. (1974). Beyond Regression. Tese de doutorado, Harvard. — A primeira aplicação do método a redes neurais.

Capítulos 09–11 — Redes, visão e sequências #

• ✓ Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533–536. doi:10.1038/323533a0 — verificado em 2026-08-08 (Crossref). O trabalho que popularizou o backpropagation; a nota de prioridade do capítulo 18 se apoia nele.
• ⏳ He, K. et al. (2016). Deep Residual Learning for Image Recognition. CVPR.
• ⏳ Vaswani, A. et al. (2017). Attention Is All You Need. NeurIPS.

Capítulo 12 — Modelos de fundação #

• ⏳ Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS.
• ⏳ Bommasani, R. et al. (2021). On the Opportunities and Risks of Foundation Models.

Capítulo 14 — Interpretabilidade e justiça #

• ⏳ Lundberg, S., & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. NeurIPS. — SHAP.
• ⏳ Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). "Why Should I Trust You?": Explaining the Predictions of Any Classifier. KDD. — LIME.
• ⏳ Kleinberg, J., Mullainathan, S., & Raghavan, M. (2017). Inherent Trade-Offs in the Fair Determination of Risk Scores. ITCS. — O teorema de impossibilidade citado no capítulo.
• ⏳ Mitchell, M. et al. (2019). Model Cards for Model Reporting. FAT*.

Capítulos 15–16 — Sistemas e MLOps #

• ✓ Sculley, D. et al. (2015). Hidden Technical Debt in Machine Learning Systems. NIPS 2015, 2503–2511. papers.nips.cc/paper/5656 — verificado em 2026-08-01. O diagnóstico de que o modelo é a fração pequena do sistema.
• ⏳ Breck, E. et al. (2017). The ML Test Score: A Rubric for ML Production Readiness. IEEE Big Data.
• ⏳ Gama, J. et al. (2014). A Survey on Concept Drift Adaptation. ACM Computing Surveys.

Como adicionar uma referência #

1. Localize a fonte primária (editora, arXiv, DOI). Não aceite o resumo de terceiros como confirmação.
2. Confira autoria, ano, veículo e identificador — os quatro, não apenas o título.
3. Registre aqui com o status ✓ e a data da conferência.
4. Só então use a referência para sustentar uma afirmação no corpo.

O fluxo completo está na skill academic-research. A razão de tanto rigor é medida: modelos de linguagem fabricam citações plausíveis com frequência alta, e uma referência inventada num livro técnico contamina tudo o que ela sustenta.