Estes livros de Machine Learning grátis em PDF ensinam computadores a encontrar padrões em dados. O aprendizado de máquina é o ramo da inteligência artificial que faz previsões a partir de exemplos.
Da estatística aos algoritmos, esta coleção cobre todos os níveis. Você vai do deep learning e das redes neurais à programação em Python, com obras em português e inglês.
Cada material vem de universidades e projetos de acesso aberto, escrito por autores reconhecidos em data science e big data. Escolha um título, baixe o PDF e comece a estudar hoje mesmo, sem cadastro.
📚
Baixe todos os livros de Machine Learning desta página
Todos os livros desta página num único arquivo ZIP, em vez de baixar um por um.
Vamos te redirecionar para accounts.google.com para concluir o login.
Apenas e-mail e nome · Nunca enviamos spam
Acesso liberado
Baixe todos os livros de Machine Learning desta página
Todos os livros desta página num único arquivo ZIP, em vez de baixar um por um.
Download direto · Um único arquivo ZIP
Download iniciado. Confira o arquivo ZIP na sua pasta de downloads.
Fundamentos
Livros de Machine Learning
Aqui estão os fundamentos do aprendizado de máquina, da estatística aos algoritmos aplicados a data science. São livros acadêmicos em português, ideais para construir uma base sólida.
Um dos livros livres mais respeitados sobre o tema. Aborda o aprendizado de máquina a partir da estatística, da regressão à classificação, perfeito para quem vem da matemática ou das ciências exatas.
Livro recente que apresenta os fundamentos do aprendizado de máquina de forma clara e organizada, escrito por um professor emérito da área. Ótimo ponto de partida para construir uma base sólida.
Texto do IMPA que apresenta os algoritmos por trás da ciência de dados, da probabilidade às cadeias de Markov. Ideal para quem quer entender o rigor matemático que sustenta o aprendizado de máquina.
Luerbio Faria, Fabiano de Souza Oliveira e Paulo Eustáquio Duarte Pinto
Coletânea organizada por especialistas da USP sobre os avanços, aplicações e dilemas éticos da inteligência artificial. Visão ampla e atual para entender o impacto da IA além dos algoritmos.
Fabio G. Cozman, Guilherme Ary Plonski e Hugo Neri
Guia prático que percorre todo o fluxo da ciência de dados: estatística, pré-processamento, classificação, regressão e agrupamento, com exemplos em R. Equilibra teoria e aplicação para iniciantes na área.
Trabalho de conclusão que conecta a teoria do aprendizado (aprendizado PAC, dimensão VC) à prática. Indicado para quem busca os fundamentos matemáticos que explicam por que os algoritmos funcionam.
Tese de doutorado que se aprofunda no tratamento de dados antes do treinamento: valores ausentes, balanceamento de classes e qualidade dos dados. Material denso para quem leva a sério a etapa que mais impacta os resultados.
Documento de trabalho que aplica o aprendizado de máquina à defesa da concorrência, mostrando como algoritmos ajudam a analisar dados de mercado. Uma aplicação concreta da área para quem busca casos reais.
Obra de referência em deep learning que une teoria e código executável. Cobre redes neurais, redes convolucionais, redes recorrentes e modelos de atenção, do zero até as arquiteturas modernas.
Minicurso introdutório às redes neurais profundas para quem quer dar os primeiros passos em deep learning. Apresenta conceitos, arquiteturas e bibliotecas com exemplos de código em Python.
Material introdutório que vai do básico de Python e suas bibliotecas até redes neurais, com um estudo de caso usando o conjunto de dados MNIST. Bom ponto de partida para a prática.
Notas de aula objetivas sobre aprendizagem supervisionada, com exemplos de classificação aplicados em Python. Texto curto e direto para uma primeira aproximação aos algoritmos.