Aprendizado de Máquina e Go (Golang): do básico à produção

Este livro é o primeiro guia prático em português para criar sistemas de aprendizado de máquina na linguagem Go. Se você é um desenvolvedor Go que deseja incorporar ML em seus projetos, ou um cientista de dados interessado em uma linguagem performática e confiável para produção, este livro é para você.

Sobre o que é o livro

O livro cobre o ciclo completo de trabalho com aprendizado de máquina em Go: desde a coleta e pré-processamento de dados, construção de modelos (regressão linear, árvores de decisão, redes neurais) até sua implantação em uma arquitetura de microsserviços. Atenção especial é dada a:

• Bibliotecas e frameworks: golearn, Gorgonia, gonum, tfgo (TensorFlow para Go);
• Processamento de grandes volumes de dados usando canais (channels) e goroutines;
• Integração com serviços externos de ML (TensorFlow Serving, ONNX Runtime);
• Criação de APIs REST/gRPC para modelos;
• Testes, monitoramento e testes A/B de sistemas de ML.

Para quem é este livro

• Desenvolvedores Go que desejam adicionar aprendizado de máquina ao seu stack;
• Cientistas de dados que desejam migrar do Python para um Go mais performático;
• Engenheiros DevOps responsáveis pela implantação de modelos de ML;
• Estudantes e professores de cursos de aprendizado de máquina.

O que você aprenderá

• Como escolher a ferramenta adequada para uma tarefa específica de ML em Go;
• Como construir e treinar modelos de regressão, classificação e clusterização;
• Como otimizar o modelo para alta carga e baixa latência;
• Como integrar o modelo em um serviço Go existente (por exemplo, no framework Gin ou Echo);
• Como usar o ONNX para transferir modelos entre Python e Go;
• Como escrever testes unitários para componentes de ML e gerenciar versões de modelos (DVC, Git LFS).

Por que Go para ML?

Go combina a performance do C/C++ com a simplicidade do Python. É ideal para produção: tipagem estática, compilação rápida, suporte embutido a concorrência. O livro mostra como essas vantagens ajudam a construir sistemas de ML escaláveis e confiáveis.

Exemplo do livro

No capítulo 5, você implementará um serviço de recomendação baseado em filtragem colaborativa — desde o carregamento de dados de um CSV até a implantação no Docker com Kubernetes. O código completo e os testes estão disponíveis no repositório.

O livro é voltado para leitores com conhecimento básico de Go (sintaxe, structs, interfaces) e fundamentos de aprendizado de máquina (o que são features, métricas, overfitting).