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
🎯 461 exercícios corrigidos no servidor · 🔬 36 laboratórios interativos · 🎬 7 vídeos curados · 📖 29 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
0.1IntroduçãoO que é aprender de dados, e como usar este livro.0.2FundamentosGeneralização, viés e variância: o problema central.
Parte I — Ciência de Dados: do dado ao entendimento
I.1O Ciclo da Ciência de DadosCRISP-DM: por que o modelo é a quinta etapa, não a primeira.I.2Coleta e IntegraçãoArquivos, APIs, bancos SQL e NoSQL, data lake e warehouse.I.3Qualidade e VazamentoO resultado bom demais, e as divisões que não mentem.I.4Análise ExploratóriaEstatística descritiva e o hábito de olhar antes de modelar.I.5Visualização e StorytellingO gráfico que decide, e a narrativa que convence.I.6RepresentaçãoComo o mundo vira vetor — e o que se perde no caminho.
Parte II — Análise Preditiva
II.1AvaliaçãoO que significa "bom", e por que acurácia mente.II.2Modelos LinearesA reta que explica muito mais do que parece.II.3Regressão LogísticaClassifica, apesar do nome. O que é linear é o logito.II.4Otimização e RegularizaçãoComo o modelo aprende — e como impedi-lo de decorar.II.5Árvores e EnsemblesPor que boosting ainda ganha em dados tabulares.II.6Análise MultidimensionalOLAP, cubos e o repositório que sustenta a análise.II.7Séries TemporaisPrever o futuro sem trapacear com ele.II.8Do Modelo à DecisãoComparar técnicas, escolher uma e defender a escolha.
Parte III — Redes Neurais e Deep Learning
III.1O Neurônio ArtificialDe McCulloch–Pitts ao perceptron, com as mãos nos pesos.III.2Redes MulticamadasA camada escondida que resolve o XOR, e o backpropagation.III.3Treinar Redes ProfundasInicialização, normalização, dropout e otimizadores adaptativos.III.4Visão ComputacionalConvolução, e o poder de aproveitar o que já foi treinado.III.5Sequências e LinguagemDe RNN a Transformer: por que a atenção venceu.III.6Modelos de Fundação e GenerativosEmbeddings, fine-tuning, RAG e LLMs.
Parte IV — Além do supervisionado
IV.1Aprendizado Não SupervisionadoEstrutura sem gabarito: agrupar, associar, reduzir.IV.2Aprendizado por ReforçoMDP, Q-learning e DQN: aprender por consequência.IV.3IA Simbólica, Fuzzy e EvolutivaSistemas de conhecimento, lógica nebulosa, genéticos, bayesianas.
Parte V — No mundo real
V.1Interpretabilidade e JustiçaExplicar a decisão e medir a quem ela prejudica.V.2Sistemas de MLO modelo é a fração pequena. Os outros 95%.V.3MLOpsVersionar, servir, monitorar, detectar drift.V.4Fronteira e ExpiraçãoO que ainda não sabemos — e o placar das previsões.
Provas
0.1 e 0.2Seis itens cruzados sobre os dois capítulos de abertura.Ciência de DadosDez itens cruzados sobre os seis capítulos da Parte I.Análise PreditivaDoze itens cruzados sobre os oito capítulos da Parte II.Prova do capítulo III.1Doze itens fechados sobre o capítulo III.1, para aplicação em sala.Redes Neurais e Deep LearningDez itens cruzados sobre os seis capítulos da Parte III.Além do supervisionadoOito itens cruzados sobre os três capítulos da Parte IV.No mundo realDez itens cruzados sobre os quatro capítulos da Parte V.o livro inteiroQuatorze itens que cruzam partes, e não apenas capítulos.
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