Livro vivo · v1.0.0
Ciência de Dados e Aprendizado de Máquina
Um livro vivo e evolutivo para aprender fazendo — da coleta do dado ao modelo profundo
🎯 94 exercícios corrigidos no servidor · 🔬 1 laboratórios interativos · 🎬 7 vídeos curados · 📖 28 capítulos
📖 Nesta edição (v1.0.0 · 2026-08-10): A primeira versão completa — Histórico
Continue lendo Retomar ▶
Trilha · 1EntenderGeneralização, viés e variância: o problema central.
Trilha · 2MedirO que significa "bom" — e por que acurácia mente.
Trilha · 3PraticarExercícios corrigidos, com feedback que explica.
Trilha · 4Construirml-zero: do NumPy cru ao modelo servido.
Abertura
00IntroduçãoO que é aprender de dados, e como usar este livro.01FundamentosGeneralização, viés e variância: o problema central.
Parte I — Ciência de Dados: do dado ao entendimento
19O Ciclo da Ciência de DadosCRISP-DM: por que o modelo é a quinta etapa, não a primeira.20Coleta e IntegraçãoArquivos, APIs, bancos SQL e NoSQL, data lake e warehouse.02Qualidade e VazamentoO resultado bom demais, e as divisões que não mentem.21Análise ExploratóriaEstatística descritiva e o hábito de olhar antes de modelar.22Visualização e StorytellingO gráfico que decide, e a narrativa que convence.03RepresentaçãoComo o mundo vira vetor — e o que se perde no caminho.
Parte II — Análise Preditiva
04AvaliaçãoO que significa "bom", e por que acurácia mente.05Modelos LinearesA reta que explica muito mais do que parece.06Otimização e RegularizaçãoComo o modelo aprende — e como impedi-lo de decorar.07Árvores e EnsemblesPor que boosting ainda ganha em dados tabulares.23Análise MultidimensionalOLAP, cubos e o repositório que sustenta a análise.24Séries TemporaisPrever o futuro sem trapacear com ele.25Do Modelo à DecisãoComparar técnicas, escolher uma e defender a escolha.
Parte III — Redes Neurais e Deep Learning
18O Neurônio ArtificialDe McCulloch–Pitts ao perceptron, com as mãos nos pesos.09Redes MulticamadasA camada escondida que resolve o XOR, e o backpropagation.26Treinar Redes ProfundasInicialização, normalização, dropout e otimizadores adaptativos.10Visão ComputacionalConvolução, e o poder de aproveitar o que já foi treinado.11Sequências e LinguagemDe RNN a Transformer: por que a atenção venceu.12Modelos de Fundação e GenerativosEmbeddings, fine-tuning, RAG e LLMs.
Parte IV — Além do supervisionado
08Aprendizado Não SupervisionadoEstrutura sem gabarito: agrupar, associar, reduzir.13Aprendizado por ReforçoMDP, Q-learning e DQN: aprender por consequência.27IA Simbólica, Fuzzy e EvolutivaSistemas de conhecimento, lógica nebulosa, genéticos, bayesianas.
Parte V — No mundo real
14Interpretabilidade e JustiçaExplicar a decisão e medir a quem ela prejudica.15Sistemas de MLO modelo é a fração pequena. Os outros 95%.16MLOpsVersionar, servir, monitorar, detectar drift.17Fronteira e ExpiraçãoO que ainda não sabemos — e o placar das previsões.
Trilhas
Análise PreditivaA ordem de leitura para a disciplina.Aprendizagem de MáquinaA ordem de leitura para a disciplina.Ciência de DadosA base: pré-requisito e revisão.
Aparato