O que diferencia o profissional de Data Science e Machine learning em 2026 é fundação teórica, matemática e capacidade de colocar sistemas em produção.
Neste artigo, eu trago 5 livros que eu li e que juntos formam o canivete suíço de todos profissional de dados que queira se destacar no mercado de trabalho.
Inscreva-se na Newsletter
Receba artigos sobre Data Science e IA direto no seu email.
✓ Inscrito com sucesso!
Hands-On Machine Learning with Scikit-Learn, Keras, and PyTorch
Se você pesquisar “melhores livros de machine learning” em qualquer lugar, este aparece. Mas há um detalhe que a maioria das pessoas ignora: a maioria que diz ter lido esse livro parou na Parte 1.
E é justamente a Parte 2 onde está o ouro. É ela que entra em redes neurais, deep learning, visão computacional e processamento de linguagem natural, tudo com implementação em código.
A mudança mais relevante desta quarta edição é a troca do TensorFlow pelo PyTorch. E isso não é cosmético. Mais de 80% dos artigos publicados em conferências como NeurIPS, ICML e ICLR usam PyTorch. Stanford trocou. Meta, OpenAI, Anthropic e Tesla constroem em cima do PyTorch. O TensorFlow perdeu a batalha da pesquisa.
Se você quer um ponto de entrada mais suave antes de mergulhar no livro, o post de introdução ao PyTorch com redes neurais convolucionais cobre os conceitos fundamentais com código prático.
Se você ler esse livro de capa a capa, você já cobre a maior parte das habilidades técnicas que o mercado exige. É o alicerce.
Por que está na lista: é a fundação. Ponto de partida obrigatório para quem quer construir sobre bases sólidas.
Mathematics of Machine Learning
Aqui vem a verdade que incomoda. Existe um padrão que ficou muito comum na geração que aprendeu programação de forma autodidata, especialmente durante a pandemia: aprender a rodar código sem aprender o que está por baixo.
Derivada parcial? Álgebra linear de verdade? Probabilidade condicional, entropia, divergência KL? A formalização matemática da função de perda que você usa todo dia? Isso ficou de lado. E na época em que o mercado estava desesperado contratando, dava pra se virar. Hoje não mais.
Todo paper de breakthrough em IA, seja transformers, modelos de difusão ou RLHF, é um paper de matemática primeiro. Se você não consegue ler o paper, está sempre seis a doze meses atrás de quem consegue.
Para quem quer começar a recuperar esse terreno agora, o post sobre matemática por trás do machine learning cobre as fundações essenciais com a profundidade certa para o contexto de ML.
Tivadar Danka é PhD em matemática pura e construiu uma audiência de mais de 150 mil pessoas ensinando matemática de machine learning de forma visual. O livro cobre álgebra linear, cálculo multivariado, probabilidade, otimização e teoria da informação. Cada conceito vem com explicação intuitiva, formalização matemática e conexão com ML.
É o livro pra quem pulou a parte de matemática e sente que chegou a hora de fechar essa lacuna.
Por que está na lista: conhecimento matemático é o verdadeiro diferencial competitivo. É o que nenhuma IA substitui.
Designing Machine Learning Systems
Chip Huyen dá aula em Stanford e tem experiência pesada de indústria. Neste livro, ela ensina o que nenhum tutorial ensina: o que acontece depois do notebook.
Pega um exemplo simples. Se você pergunta pra alguém como lidar com dados ausentes, a resposta típica é “uso a média” ou “uso KNN imputer”, sem saber por quê. Repetição de tutorial. A Chip vai nos papers, conta a história por trás, explica o que é usado na indústria, o que a academia ensina, e quais são as limitações de cada abordagem.
Mais do que isso, ela traz conceitos que os conteúdos isolados não ensinam: data drift, concept drift, model drift, aprendizado contínuo, como monitorar um modelo em produção, como detectar que seu sistema degradou.
O livro também puxa muito para o lado do engenheiro de machine learning, que é uma das habilidades mais valorizadas hoje. Muitas vagas, muito salário, e a Chip entrega a bagagem para entrar nesse mundo.
Por que está na lista: te tira do notebook e te coloca na realidade da indústria.
AI Engineering: Building Applications with Foundation Models
Mesmo autor, paradigma diferente. O livro anterior é para quando você treina o seu próprio modelo, do zero. Este é para quando você constrói em cima de modelos pré-treinados: GPT, Claude, Gemini, LLaMA.
E esse é o paradigma de 2026. Nem sempre você vai treinar um modelo do zero. Muitas vezes você vai pegar um que já existe e construir uma aplicação em cima dele. A pergunta que resta é: como?
Como fazer um RAG que funciona de verdade? Como construir agentes de IA? Como fazer engenharia de prompt de forma sistemática, não no achismo? Como avaliar a saída de um modelo estocástico que dá respostas diferentes a cada chamada?
O livro entra fundo nisso. Mecanismo de atenção, como funciona de verdade. Otimização de inferência, quantização, KV cache. Como adicionar guardrails de segurança. Como medir se o sistema está funcionando.
Para ver a arquitetura de atenção em um caso concreto, o post sobre como o Vision Transformer aprende a enxergar imagens é uma boa leitura complementar.
As vagas de engenheiro de IA estão crescendo. E as habilidades que esse livro cobre aparecem em praticamente todas elas.
Por que está na lista: é o mapa do novo paradigma de desenvolvimento com IA.
Generative AI System Design Interview
Sim, é a capa amarela. Mas não é a azul de system design tradicional: esta é focada em IA generativa, que é onde estão as vagas hoje.
Toda empresa séria de tecnologia nos Estados Unidos, quando você está numa vaga de IA, pede pelo menos uma rodada de 45 minutos de system design. Meta, Google, OpenAI, startups. E o que elas querem ver não é código. É raciocínio sobre sistemas.
Este livro traz 10 sistemas reais de IA generativa: RAG, ChatGPT, tradução automática, geração de imagens, text-to-video. Cada um com um framework estruturado de 7 passos, e mais de 280 diagramas que tornam o processo visual.
Um detalhe relevante sobre um dos autores: Hao Sheng é cientista de pesquisa na OpenAI, liderou o desenvolvimento do ChatGPT-4o e fez PhD em Stanford com o Andrew Ng. Ele literalmente constrói os sistemas que o livro descreve.
Se você está se preparando para entrevistas em empresas de IA, esse livro fecha o ciclo. Ele se complementa diretamente com o livro de AI Engineering da Chip.
Por que está na lista: system design é o que as empresas cobram. Este livro te prepara para exatamente isso, com foco em IA generativa.
O Canivete Suíço do Profissional de Dados
Os 5 livros não são aleatórios. Eles foram escolhidos para cobrir peças específicas da formação completa:
- Géron — a fundação. Aprendizado de máquina clássico e deep learning com PyTorch. O alicerce sem o qual o resto não se sustenta.
- Danka — a matemática. O diferencial competitivo real, que separa quem entende de quem apenas executa.
- Chip (ML Systems) — a produção. Como sair do notebook e operar na realidade da indústria, puxando para o lado do engenheiro de ML.
- Chip (AI Engineering) — o novo paradigma. Como construir aplicações sobre modelos fundacionais, com RAG, agentes e avaliação sistemática.
- ByteByteGo — o mercado. System design focado em IA generativa, para passar nas entrevistas das empresas que mais contratam.
Juntos, eles te preparam para vagas de cientista de dados, engenheiro de machine learning ou engenheiro de IA. Preparação técnica e preparação para entrevista no mesmo stack.
Takeaways
- Falhas formativas custam caro: quem pulou matemática, fundamentos e sistemas vai sentir a diferença no nível das oportunidades que aparecem.
- Leia o livro inteiro: a maioria para na Parte 1 do Géron. O ouro está na Parte 2. O mesmo vale para qualquer livro técnico sério.
- Construir sobre modelos fundacionais é o paradigma atual: saber treinar modelos do zero e saber construir aplicações com modelos pré-treinados são habilidades distintas. Você precisa das duas.
- System design é o novo filtro: toda empresa de IA séria cobra isso em entrevistas. Preparação específica não é opcional.
