Se você abriu este artigo, é porque já sabe o que é Machine Learning e está em busca de mais conhecimento. Mas vamos lembrar algumas definições antes de passar para as nossas dicas de livros.
Machine Learning, ou Aprendizado de Máquina, é um dos ramos da Inteligência Artificial pertencentes à esfera da Ciência da Computação capaz de analisar dados, definir padrões e se auto corrigir autonomamente por meio de suas experiências de aprendizado com os dados.
Já o Deep Learning, também conhecido como Aprendizado Profundo, é um subconjunto da Aprendizagem de Máquina, capaz de analisar dados complexos para soluções precisas, utilizando redes neurais artificiais que imitam as capacidades do cérebro humano.
Encontrar conteúdos de qualidade em Machine Learning, Inteligência Artificial e Deep Learning na rede não é uma tarefa fácil. Assim, para você que quer se desenvolver mais neste assunto, iremos te dar dicas de boas bibliografias para aprofundar seu conhecimento.
Ah, caso queira saber mais sobre cada livro, basta clicar na capa!
1. Machine Learning – Guia de Referência Rápida: Trabalhando com Dados Estruturados em Python - Matt Harrison
A primeira indicação da nossa lista se apresenta ideal para programadores, engenheiros que trabalham com Inteligência Artificial e cientistas de dados.
O autor Matt Harrison apresenta no livro uma visão geral de classificação utilizando dados estruturados e dos processos de Machine Learning por meio de tabelas e exemplos detalhados.
Apresenta, também, métodos para agrupamento (clustering), regressão e redução de dimensões, sendo um bom material para complementar seus estudos.
2. Introduction to Machine Learning with Python: A Guide for Data Scientists - Andreas C. Müller & Sarah Guido
Esta é nossa segunda indicação da lista de livros para aprender Machine Learning! Os autores Andreas Müller e Sarah Guido trazem uma abordagem mais aprofundada do Aprendizado de Máquina, utilizando Python. Concentram-se em aspectos práticos da aprendizagem de máquina, sem enfocar na matemática por trás do método.
Com este livro, você aprenderá:
-
Conceitos fundamentais e aplicações do aprendizado de máquina;
-
Vantagens e deficiências de algoritmos de aprendizagem de máquina amplamente utilizados;
-
Como representar dados processados por machine learning, incluindo quais aspectos de dados focar;
-
Métodos avançados para avaliação de modelos e ajuste de parâmetros;
-
O conceito de pipelines encapsular seu fluxo de trabalho;
-
Métodos para trabalhar com dados de texto, incluindo técnicas de processamento específicas de texto;
-
Sugestões para melhorar suas habilidades de aprendizado de máquina e ciência de dados.
Após essa primeira indicação você já deve ter percebido que para trabalhar com Machine Learning é preciso saber alguns fundamentos de programação. Uma das linguagens mais usadas e que está presente em muitas das nossas indicações é o Python. Por isso, para te ajudar a seguir em sua jornada de desenvolvimento, preparamos para você um curso totalmente GRATUITO de Fundamentos Essenciais para Python. Clique e aproveite!
Vamos seguir que ainda temos indicações maravilhosas para você!
3. Machine Learning: This Book Includes: Machine Learning for Beginners, Machine Learning with Python - Daniel Géron
Nossa terceira indicação traz um pacote completo para iniciantes! Além de guiá-lo pelos princípios básicos do Aprendizado de máquina e te ajudar a entender as diferentes abordagens do Machine Learning e das Redes Neurais, ele também te ensinará programação em Python.
O pacote não requer habilidades de pré programação e é um guia ideal para iniciar modelagens de Aprendizado de Máquina.
4. Machine Learning: 4 Books in 1: Basic Concepts + Artificial Intelligence + Python Programming + Python Machine Learning - Ethem Mining
Vamos a mais uma indicação de um pacote super completo! Este livro traz um conjunto de módulos que aborda conceitos básicos do Machine Learning, Inteligência Artificial, programação em Python e ainda o Aprendizado de Máquina utilizando Python. Todos os assuntos são abordados com exemplos e exercícios práticos que permitirão reforçar seu nível de conhecimento.
5. Machine Learning: An Applied Mathematics Introduction - Paul Wilmott
Se você tem um viés mais matemático, este livro é para você! Como o próprio nome já diz, nossa quinta indicação abrange a matemática essencial para análises dos processos de Machine Learning.
O livro inclui exemplos do mundo real de ampla abrangência, incluindo finanças (modelagem de volatilidade), economia (taxas de juros, inflação e PIB) e até sociologia (classificando locais de acordo com as estatísticas criminais).
6. Automated Machine Learning: Methods, Systems, Challenges - Frank Hutter
Este livro nos traz uma visão geral abrangente dos métodos gerais em AutoML (Automated Machine Learning).
Muitos dos processos que utilizam o Aprendizado de máquina ainda necessitam de especialistas humanos para implementação. Para superar esse problema, o campo do AutoML visa uma automação progressiva do aprendizado de máquina, baseada em princípios da otimização e da própria aprendizagem de máquina.
Este livro serve como um ponto inicial de estudo para pesquisadores e estudantes avançados, além de fornecer referências para praticantes que pretendem usar o AutoML em seu trabalho.
7. Pattern Recognition and Machine Learning - Christopher M. Bishop
Nossa sétima indicação traz um precursor! Este é o primeiro livro sobre reconhecimento de padrões que apresenta o ponto de vista bayesiano.
O livro apresenta algoritmos de inferência aproximados que permitem respostas rápidas e aproximadas em situações em que respostas exatas não são viáveis, além de usar modelos gráficos para descrever distribuições de probabilidade.
Apesar de não estabelecer a necessidade de conhecimentos prévios em Machine Learning ou reconhecimento de padrões, é indicado por possuir uma base de conhecimentos em cálculo multivariado, álgebra linear e probabilidade.
8. Artificial Intelligence: With an Introduction to Machine Learning - Richard E. Neapolitan & Xia Jiang
Este livro vem com uma abordagem mais abrangente, concentrando-se nas técnicas mais úteis da inteligência Artificial. Neapolitan e Jiang englobam em sua produção métodos baseados em lógica e em probabilidades. Exploram a computação evolutiva e métodos baseados na inteligência do enxame, além de fornecerem uma visão geral detalhada das redes neurais e Deep Learning.
9. Inteligência Artificial e Machine Learning: Teoria e Aplicações - Marcos Airton de Sousa Freitas e Gabriel Belmino Freitas
A nona indicação da nossa lista de livros para aprender Machine Learning apresenta, de forma didática e sucinta, noções iniciais de Inteligência Artificial e Aprendizagem de Máquina, abrangendo Redes Neurais Artificiais, Lógica Nebulosa, Algoritmos Genéticos, modelo Lasso (least absolute shrinkage selection operator), modelo ada-LASSO, modelo Complete Subset Regression (CSR), dentre outros. Os autores apresentam aplicações de algumas dessas técnicas aos problemas da área de Engenharia e de Economia.
10. Introdução à Inteligência Artificial: uma Abordagem Não Técnica - Tom Taulli
O décimo livro das nossas indicações oferece aos leitores uma compreensão básica da Inteligência Artificial e seu impacto. O autor Tom Taulli traz uma introdução não técnica sobre conceitos importantes, como machine learning, deep learning, natural language processing (PNL – processamento da linguagem natural), robótica e muito mais.
Além de estudos de caso do mundo real e etapas práticas de implementação, o livro também aborda tendências sociais, ética e impacto futuro que a IA causará nos governos, estruturas de empresas e vida cotidiana do mundo.
11. Fundamentals of Deep Learning - Nikihil Buduma com colaboração de Nicholas Locascio
Este livro aborda fundamentos de um dos subtópicos do Machine Learning, o Aprendizado Profundo. Nikihil utiliza exemplos para ajudá-lo a entender os principais conceitos de Deep Learning, sendo uma boa indicação para iniciantes que já tenham noções básicas de Machine Learning, programação em Python e familiaridade com cálculo.
12. Deep Learning por Ian Goodfellow, Yoshua Bengio e Aaron Courville
Escrito pelos pioneiros em Deep Learning, este livro abrange conceitos relevantes em álgebra linear, teoria da probabilidade e teoria da informação, computação numérica e machine learning.
Descreve técnicas de aprendizagem profunda utilizadas por profissionais da indústria e oferece perspectivas de pesquisa, com temas teóricos como modelos de fatores lineares, aprendizagem de representação, modelos probabilísticos estruturados, métodos de Monte Carlo.
13. neural Networks and Deep Learning - Charu C. Aggarwal
Nossa última indicação, mas não menos importante, abrange modelos clássicos e modernos em Deep Learning tendo seu foco principal na teoria e algoritmos de Aprendizado Profundo.
O livro também discute diferentes aplicações, exemplificando como as arquiteturas neurais são projetadas para diferentes tipos de problemas.
Também são abordados aplicativos de várias vertentes, como sistemas recomendador, tradução automática, legendagem de imagens, classificação de imagem, jogos baseados em reforços e análise de texto.
Preparado para aprender mais?
Depois destas 13 recomendações, a escolha em se aprofundar é sua! O autodesenvolvimento não é uma escolha fácil, mas é um trabalho do dia a dia que nos leva mais próximo dos nossos objetivos e nos deixa mais preparados para o mercado.
Já que chegou até aqui, temos um presente para você! Preparamos um curso GRATUITO de Gestão de Tempo e Produtividade Profissional, para te auxiliar em jornada de autodesenvolvimento, te ajudando a gerir sua produtividade e seu tempo.
Compartilhe com os amigos e se ficou alguma dúvida, deixe nos comentários.
