Scikit-Learn e TensorFlow. Aprendizado de Máquina com Python

Introdução

O livro «Scikit-Learn e TensorFlow. Aprendizado de Máquina com Python» (título original Hands-On Machine Learning with Scikit-Learn and TensorFlow) é um dos guias mais conceituados e práticos sobre aprendizado de máquina (ML) e aprendizado profundo (DL) em Python. O autor, Aurélien Géron, ex-engenheiro do Google, conseguiu criar um livro didático igualmente útil tanto para iniciantes dando os primeiros passos em Data Science quanto para desenvolvedores experientes que desejam aprofundar seus conhecimentos. A terceira edição (2022) foi totalmente revisada e atualizada para as versões modernas das bibliotecas, incluindo TensorFlow 2.x e Scikit-Learn 1.x.

Sobre o que é este livro

O livro abrange o ciclo completo de trabalho com dados: desde a definição do problema e o pré-processamento dos dados até a construção, avaliação e implantação de modelos. Todo o material está dividido em duas grandes partes:

• Parte I. Fundamentos do Aprendizado de Máquina — dedicada aos algoritmos clássicos: regressão linear e logística, SVM, árvores de decisão, métodos ensemble (Random Forest, Gradient Boosting), clusterização (K-Means, DBSCAN) e métodos de redução de dimensionalidade (PCA). Todos os exemplos são implementados com a biblioteca Scikit-Learn.
• Parte II. Aprendizado Profundo e Redes Neurais — abrange a teoria e a prática das redes neurais: desde o perceptron simples até redes convolucionais (CNN) e recorrentes (RNN), além de transformadores e redes generativas adversariais (GAN). A segunda parte é inteiramente baseada em TensorFlow 2.x e Keras.

É dada atenção especial aos aspectos práticos: trabalho com conjuntos de dados reais, ajuste de hiperparâmetros, regularização, aumento de dados e implantação de modelos com TensorFlow Serving e TF Lite.

Para quem é este livro

O livro é voltado para um público amplo:

• Profissionais iniciantes em Data Science — aqueles que já conhecem o básico de Python e desejam estudar aprendizado de máquina de forma sistemática.
• Programadores migrando para ML — desenvolvedores Python que desejam aplicar suas habilidades na área de inteligência artificial.
• Estudantes de áreas técnicas — para um estudo aprofundado da teoria e prática de ML.
• Engenheiros de ML experientes — como referência e fonte de melhores práticas, especialmente na parte de aprendizado profundo.

O que o leitor aprenderá

Após a leitura do livro, você será capaz de:

• Compreender e implementar os principais algoritmos de aprendizado de máquina com Scikit-Learn.
• Construir e treinar redes neurais de qualquer complexidade usando TensorFlow e Keras.
• Avaliar corretamente a qualidade dos modelos (cross-validation, métricas, matriz de confusão).
• Aplicar métodos de regularização para combater o overfitting.
• Trabalhar com imagens, texto e séries temporais.
• Implantar modelos em produção com TensorFlow Serving.
• Utilizar arquiteturas modernas (transformadores, GAN) para resolver problemas complexos.

Pontos fortes do livro

O livro se destaca em relação a outros materiais didáticos por vários motivos:

• Abordagem prática — cada capítulo contém exemplos de código prontos para execução, que podem ser aplicados imediatamente aos seus dados.
• Atualidade — a terceira edição foi lançada em 2022 e abrange as versões mais recentes das bibliotecas, incluindo TensorFlow 2.9 e Scikit-Learn 1.1.
• Estilo de escrita claro — conceitos complexos são explicados em linguagem simples, com muitas ilustrações e analogias.
• Profundidade — o autor não apenas mostra como chamar uma função, mas também explica por que o algoritmo funciona dessa forma, com fundamentação matemática.
• Estruturação — organização lógica do material: do simples ao complexo, com resumos claros e exercícios no final de cada capítulo.

A quem recomendamos