Machine Learning é uma das áreas mais quentes do momento, isso já não é novidade. E Machine Learning, na sua essência, é um conjunto de operações matemáticas, executadas via Programação de Computadores, para extrair padrões e gerar previsões a partir de grandes conjuntos de dados. 

Após o crescimento explosivo e cada vez maior de Machine Learning e Deep Learning para aplicações de Inteligência Artificial, o campo está mais acessível do que nunca. Graças a isso, passou de uma ferramenta para pesquisadores a um método amplamente adotado e usado, alimentando o crescimento insano da tecnologia que vivemos agora. Entender como os algoritmos realmente funcionam pode dar a você uma grande vantagem no projeto, desenvolvimento e depuração de sistemas de aprendizado de máquina. Devido à sua natureza matemática, essa tarefa pode parecer assustadora para muitos. No entanto, com o guia correto, o caminho pode ser agradável e prazeroso.

Em linhas gerais, existem quatro pilares da Matemática Para Machine Learning:

  • Álgebra Linear
  • Teoria da Probabilidade
  • Cálculo Multivariado
  • Teoria de Otimização

Leva tempo para construir uma base sólida e entender o funcionamento interno dos algoritmos de aprendizado de máquina de última geração, como redes convolucionais, LLMs e muitos outros. Mas se você dedicar tempo consistentemente para isso, você pode ir muito longe em um curto espaço de tempo. Existem alguns recursos excelentes para guiá-lo ao longo do caminho.

Uma excelente alternativa é o curso online Matemática e Estatística Aplicada Para Data Science, Machine Learning e IA, um dos cursos de maior sucesso na DSA, pois alia teoria e prática.

E, claro, existem excelentes livros para ajudar na caminhada. Confira 5 Livros de Matemática Para Machine Learning!

Boa leitura e bons estudos!

1- Mathematics for Machine Learning

Esse é o livro mais recente da lista e um dos mais completos! De forma clara e objetiva o livro aborda as principais áreas da Matemática aplicadas em Machine Learning.

2- Linear Algebra Done Right 

Álgebra linear é um assunto bonito, mas difícil para iniciantes, se for ensinada da maneira “clássica”, que é primeiro os determinantes e as matrizes, depois os espaços vetoriais. No entanto, quando é feito ao contrário, é surpreendentemente intuitivo e claro. Este livro apresenta a álgebra linear de uma forma muito amigável e perspicaz.

3- Probability: For the Enthusiastic Beginner

A maioria dos livros de aprendizado de máquina não apresenta a teoria da probabilidade de maneira adequada e usa notação confusa, muitas vezes misturando funções de densidade e distribuições discretas. Isso pode ser muito difícil de fazer sem uma base sólida de probabilidade.

Este livro fornecerá exatamente isso: uma introdução ao assunto detalhada, matematicamente correta, porém amigável. Isso é adequado para alunos sem qualquer exposição anterior sobre probabilidade.

4- Grokking Deep Learning 

Este livro contém uma introdução prática completa ao funcionamento interno das redes neurais, com trechos de código cobrindo todo o material. Embora não seja especificamente voltado para a matemática avançada, ao final deste livro você saberá mais sobre a matemática de Deep Learning do que 95% dos Cientistas de Dados, Engenheiros de Machine Learning e outros desenvolvedores por aí.

Você também construirá uma rede neural do zero, que é provavelmente o melhor exercício de aprendizado que você pode realizar. Ao começar com o aprendizado de máquina, também construí uma rede convolucional do zero em NumPy puro. Se você estiver interessado, escrevi um guia detalhado sobre como fazer isso sozinho.

5- Deep Learning (Gratuito)

É aqui que toda a teoria que você aprendeu se junta. Escrito por algumas das maiores mentes do aprendizado de máquina, este livro sintetiza a teoria matemática e coloca a maquinaria pesada em uso, fornecendo um guia sólido para métodos de aprendizado profundo de última geração, como redes convolucionais e recorrentes, codificadores automáticos e muito mais .

O melhor é que o livro está disponível gratuitamente online para todos. Dado que este é o recurso número um para pesquisadores e desenvolvedores de aprendizado profundo, isso é muito bom. Acesse o livro aqui.

Entre todos os recursos listados aqui, este é provavelmente o mais difícil de ler. Compreender Deep Learning requer que você olhe para os algoritmos com uma perspectiva probabilística, o que pode ser difícil. 

E se quiser um aprendizado prático, orientado à solução de problemas, confira o curso 100% online e 100% em português: Matemática e Estatística Aplicada Para Data Science, Machine Learning e IA.

Referências:

5 Books That Will Teach You the Math Behind Machine Learning

Deep Learning Book Brasil