10 Livros Gratuitos de Machine Learning Para Você Ler em 2023
O ano de 2022 está chegando ao fim e 2023 já está bem próximo. Hora de planejar seus estudos para o próximo ano e vamos ajudar listando 10 Livros Gratuitos de Machine Learning Para Você Ler em 2023.
Clique no título de cada livro para acessar o livro gratuito.
Boa leitura.
1. Cognitive Biases: A Brief Overview of Over 160 Cognitive Biases
Livro de autoria de Murat Durmus. Inclui um capítulo sobre tendências algorítmicas e foi publicado em 2022 (233 páginas). O autor postou uma versão gratuita em PDF e você também pode comprar o livro para ajudar o autor. Não é um livro técnico, mas vale a pena a leitura se quiser compreender um problema comum em Machine Learning, o viés. O autor discute os vieses de percepção e como eles podem permear a IA quando as pessoas que projetam e constroem a tecnologia não têm conhecimento dos vieses culturais e outros arraigados em seu cérebro.
2. Learning Scientific Programming with Python
Esta é a segunda edição, publicada em 2020. Com 570 páginas na versão impressa, é uma boa referência sobre o tema, principalmente para usuários e iniciantes de Matplotlib, NumPy e SciPy, pacotes Python amplamente usados em Machine Learning. O livro, de autoria de Christian Hill, está disponível no site SciPython.com. A melhor maneira de usar a versão on-line navegável é por meio da caixa de pesquisa do site, que é muito mais útil do que o sumário.
Um dos livros mais completos sobre Deep Learning. Mas não é um livro para iniciantes e recomendamos a leitura somente se já tiver um bom conhecimento de Machine Learning.
4. Foundations of Data Science
Livro publicado pela Microsoft e disponível gratuitamente. Autoria de Avrim Blum, John Hopcroft e Ravi Kannan. Tópicos interessantes abordados neste livro incluem grafos aleatórios, modelos ocultos de Markov, wavelets, decomposição de valor singular e redução de dimensão, caminhadas aleatórias, redes adversárias generativas e clustering (K-means).
5. Pattern Recognition and Machine Learning
Livro de autoria de Christopher Bishop e disponível gratuitamente. Destinado a alunos de graduação ou alunos de doutorado do primeiro ano, bem como pesquisadores e profissionais, e não pressupõe nenhum conhecimento prévio de reconhecimento de padrões ou conceitos de aprendizado de máquina. Conhecimento de cálculo multivariado e álgebra linear básica é necessário, e alguma familiaridade com probabilidades seria útil, embora não essencial, pois o livro inclui uma introdução independente à teoria básica de probabilidade. Tópicos interessantes incluem máquinas de kernel esparsas, inferência aproximada, cadeia de Markov, além de análise de componentes principais, algoritmo EM, redes neurais e modelos lineares.
6. A Brief Introduction to Machine Learning for Engineers
Livro disponível no ArXiv, com 237 páginas, de autoria de Osvaldo Simeone, professor de engenharia da informação no King College, em Londres. Este não é um livro sobre engenharia de dados. Esta monografia visa fornecer uma introdução aos principais conceitos, algoritmos e resultados teóricos em aprendizado de máquina. O tratamento concentra-se em modelos probabilísticos para problemas de aprendizado supervisionado e não supervisionado. Ele apresenta conceitos e algoritmos fundamentais com base nos princípios básicos, ao mesmo tempo em que expõe o leitor a tópicos mais avançados com extensas indicações da literatura, dentro de uma notação unificada e estrutura matemática. O material abrange modelos discriminativos e generativos, abordagens frequentistas e bayesianas, inferência exata e aproximada, bem como modelos direcionados e não direcionados. Esta monografia pretende ser um ponto de entrada para pesquisadores com experiência em probabilidade e álgebra linear.
7. Data Clustering – Algorithms and Applications
Livro de autoria de Robert Haralick, distinto professor de ciência da computação na CUNY (The City University of New York). Monografia aprofundada sobre o tema, com mais de 25 autores contribuintes. Disponível gratuitamente. Abrange agrupamento baseado em grade e densidade, modelos probabilísticos, gráficos e hierárquicos, seleção de recursos, séries temporais, Big Data, dados categóricos, agrupamento de texto e multimídia, bem como agrupamento incerto e semi-supervisionado.
8. Mathematics for Machine Learning
Se você procura um livro de Matemática para Machine Learning esse livro é boa opção, embora seja de difícil leitura. Se quiser estudar em português com linguagem Python, clique aqui.
Um excelente livro sobre Deep Learning.
Livro completo com 100 capítulos, online e gratuito, produzido pela Equipe DSA. Leitura obrigatória para quem deseja trabalhar com Machine Learning.
Equipe DSA