fbpx
Sigmoidal
  • Home
  • Cursos
  • Pós-Graduação
  • Blog
  • Sobre Mim
  • Contato
Sem Resultado
Ver Todos Resultados
  • English
  • Home
  • Cursos
  • Pós-Graduação
  • Blog
  • Sobre Mim
  • Contato
Sem Resultado
Ver Todos Resultados
Sigmoidal
Sem Resultado
Ver Todos Resultados

Review do Livro “Mãos à obra: Aprendizado de Máquina com Scikit-Learn, Keras & TensorFlow”

Carlos Melo por Carlos Melo
janeiro 18, 2025
em Data Science, Livros, Machine Learning, Teoria
0
26
COMPARTILHAMENTOS
873
VIEWS
Publicar no LinkedInCompartilhar no FacebookCompartilhar no Whatsapp

Quando se trata de mergulhar no mundo do Machine Learning e Data Science, escolher o material certo para estudo pode ser uma tarefa desafiadora. Entre tantos livros de Machine Learning disponíveis, um que sempre recomendo é o “Mãos à obra: Aprendizado de Máquina com Scikit-Learn, Keras & TensorFlow” (em inglês, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow) de Aurélien Géron.

Esta obra, já em sua terceira edição, é uma referência prática indispensável para quem deseja aprofundar-se em aprendizado de máquina e redes neurais modernas.

Comprar na Amazon.

Se você quer um livro para aprender machine learning do zero, ou precisa se aprofundar em conceitos avançados, clique aqui e compre essa obra fantástica!

Por que este livro de Machine Learning se destaca?

A terceira edição acompanha os avanços mais recentes das bibliotecas Python, incluindo melhorias no Scikit-Learn 1.0, TensorFlow 2.x e Keras. O livro integra conceitos fundamentais e técnicas de ponta, como transfer learning, fine-tuning de modelos pré-treinados e o uso de arquiteturas modernas como Transformers.

Ao contrário de muitas obras focadas apenas em aplicações ou apenas na teoria, Géron encontra o equilíbrio ideal. Logo no Capítulo 2, o autor apresenta um projeto completo de machine learning. Nele, o leitor aprende a:

  • Enquadrar problemas como regressão ou classificação;
  • Explorar e visualizar dados usando pandas e Matplotlib;
  • Aplicar técnicas de preprocessamento, como normalização e feature scaling;
  • Dividir conjuntos de dados em treinamento, validação e teste;
  • Selecionar, ajustar e implantar modelos preditivos.

Ao longo do livro, ao abordar redes neurais profundas (Deep Learning), Géron ensina desde os fundamentos — como gradiente descendente e retropropagação — até técnicas avançadas, incluindo:

  • Regularização (dropout, batch normalization);
  • Ajuste fino de hiperparâmetros usando buscas em grade e aleatórias;
  • Treinamento de redes convolucionais (CNNs) e recorrentes (RNNs);
  • Uso de APIs de alto nível do Keras para facilitar a prototipagem de modelos.

Teoria e Referências na Medida Certa

Um dos aspectos mais notáveis deste livro é o equilíbrio preciso entre teoria e aplicação prática. Géron começa cada tópico com explicações intuitivas, acompanhadas de visualizações que simplificam conceitos complexos, como gradiente descendente e backpropagation. Em vez de sobrecarregar o leitor com equações densas no início, ele constrói uma base sólida com exemplos concretos antes de introduzir a matemática subjacente.

O autor também inclui referências detalhadas a artigos científicos, como os publicados no Journal of Machine Learning Research, além de vídeos educacionais e outros livros relevantes, como Deep Learning de Ian Goodfellow. Isso permite que leitores interessados se aprofundem em tópicos específicos, como redes neurais convolucionais (CNNs), regularização ou otimização avançada, tornando o aprendizado mais direcionado e aplicável.

Exercícios Práticos e Impacto no Aprendizado

A máxima “a prática leva à perfeição” é levada a sério no livro. Os exercícios ao final de cada capítulo são projetados para reforçar conceitos ensinados e incentivam o aprendizado ativo. Por exemplo, no capítulo sobre regressão linear, o leitor é desafiado a implementar modelos usando bibliotecas como Scikit-Learn, explorar o impacto de hiperparâmetros e avaliar o desempenho com métricas como RMSE e R².

No contexto de deep learning, os exercícios avançam para a construção de redes neurais utilizando TensorFlow/Keras, explorando técnicas como:

  • Ajuste fino de hiperparâmetros (ex.: taxa de aprendizado e regularização);
  • Implementação de callbacks, como early stopping;
  • Testes com diferentes arquiteturas de camadas ocultas.

Essas tarefas simulam cenários reais enfrentados por cientistas de dados, como pré-processamento, feature engineering e ajustes em pipelines complexos. Além disso, os exercícios incentivam a experimentação –  uma prática fundamental no desenvolvimento de soluções robustas.

E como eu sempre ensino aos meus alunos da Pós-Graduação em Data Science, os projetos desenvolvidos ao longo do livro são excelentes para comporem o portfólio de um cientista de dados.

Divisão Clara entre Machine Learning Clássico e Deep Learning

O livro é estruturado em duas partes bem definidas:

  1. Machine Learning Clássico: Abrange algoritmos fundamentais como regressão linear, árvores de decisão, ensemble methods (como Random Forest e Gradient Boosting) e aprendizado não supervisionado (k-means clustering e PCA). O foco está na compreensão teórica e na aplicação prática com bibliotecas maduras como Scikit-Learn.
  2. Deep Learning: Introduz conceitos de redes neurais profundas, passando por arquiteturas como CNNs, RNNs e Transformers. Géron explica conceitos como inicialização de pesos, funções de ativação (ReLU, softmax), e técnicas de regularização como dropout e batch normalization.

Essa divisão é ideal para atender tanto iniciantes quanto profissionais mais experientes, permitindo uma progressão lógica e natural no aprendizado.

Estilo Didático e Repositório de Código no Github

Um diferencial do livro é o estilo didático, que combina clareza e objetividade. Diagramas bem projetados explicam conceitos como overfitting, seleção de modelos e a dinâmica do gradiente descendente. Além disso, todo o código utilizado no livro está disponível em um repositório no GitHub, com exemplos práticos de:

  • Visualizações personalizadas com Matplotlib e Seaborn;
  • Implementação de pipelines em Scikit-Learn;
  • Treinamento e avaliação de redes em TensorFlow/Keras.

Essa abordagem é especialmente útil para quem busca replicar e adaptar os exemplos ao seu próprio trabalho.

Conclusão

“Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow” é mais do que um simples guia — é uma ferramenta essencial para cientistas de dados em qualquer estágio de sua jornada.

Eu recomendo para todos os meus alunos como sendo o melhor livro prático para se aprender machine learning por meio de projetos.

Combinando teoria sólida, projetos práticos e recursos avançados, o livro fornece os fundamentos necessários para construir modelos eficazes e resolver problemas reais. Seja para compreender algoritmos clássicos ou explorar o estado da arte em deep learning, esta obra se mantém como referência obrigatória no campo da ciência de dados.

The Review

Hands-On Machine Learning

9.3 Nota

Combinando teoria sólida, prática aplicada e técnicas modernas, o livro "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" é um guia essencial para dominar Machine Learning e Deep Learning com Python.

PROS

  • Equilíbrio entre teoria e prática, ideal para aprendizado progressivo.
  • Projetos práticos realistas, como um pipeline completo de Machine Learning.
  • Cobertura abrangente de algoritmos clássicos e Deep Learning.
  • Código bem documentado disponível no GitHub.

CONS

  • Preço elevado no Brasil, tornando-o menos acessível para alguns leitores.
  • Como ele já começa com um projeto end-to-end, pode assustar iniciantes com pouco conhecimento em Python.

Critérios de Avaliação

  • Relevância do Conteúdo 0
  • Clareza e Acessibilidade 0
  • Estrutura e Organização 0
  • Aplicabilidade Prática 0

Hands-On Machine Learning OFERTAS

Coletamos informações de várias lojas para oferecer o melhor preço disponível.

Melhor Preço

R$430
  • Amazon
    R$430 Comprar
Compartilhar2Compartilhar10Enviar
Post Anterior

TikTok pode ser banido nos EUA

Próximo Post

Salesforce não contratará desenvolvedores em 2025

Carlos Melo

Carlos Melo

Engenheiro de Visão Computacional graduado em Ciências Aeronáuticas pela Academia da Força Aérea (AFA) e Mestre em Engenharia Aeroespacial pelo Instituto Tecnológico de Aeronáutica (ITA).

Relacionado Artigos

Por que o ChatGPT mente para você?
Artigos

Por que o ChatGPT mente para você?

por Carlos Melo
setembro 16, 2025
O Que é Amostragem e Quantização no Processamento de Imagens
Artigos

O Que é Amostragem e Quantização no Processamento de Imagens

por Carlos Melo
junho 20, 2025
Curso de Pós-Graduação em Data Science
Data Science

Vale a pena fazer uma Pós-Graduação em Data Science?

por Carlos Melo
janeiro 20, 2025
Carlos Melo e Sérgio Sacani – Ciência Sem Fim
Youtube

Carlos Melo e Sérgio Sacani – Ciência Sem Fim

por Carlos Melo
janeiro 16, 2025
Carlos Melo da Pós Graduação em Data Science do Sigmoidal
Aeroespacial

Oportunidades no Setor Espacial para Cientistas de Dados

por Carlos Melo
janeiro 15, 2025
Próximo Post
Salesforce não contratará desenvolvedores em 2025

Salesforce não contratará desenvolvedores em 2025

Deixe um comentário Cancelar resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Pós-Graduação em Data Science Pós-Graduação em Data Science Pós-Graduação em Data Science

Mais Populares

  • Introdução ao MediaPipe e Pose Estimation

    Introdução ao MediaPipe e Pose Estimation

    511 compartilhamentos
    Compartilhar 204 Tweet 128
  • Por que o ChatGPT mente para você?

    9 compartilhamentos
    Compartilhar 4 Tweet 2
  • ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

    424 compartilhamentos
    Compartilhar 170 Tweet 106
  • Geometria da Formação de Imagens: Matrizes, Transformações e Sistemas de Coordenadas

    397 compartilhamentos
    Compartilhar 159 Tweet 99
  • Processamento de Nuvens de Pontos com Open3D e Python

    56 compartilhamentos
    Compartilhar 22 Tweet 14
  • Em Alta
  • Comentários
  • Mais Recente
Como Tratar Dados Ausentes com Pandas

Como Tratar Dados Ausentes com Pandas

agosto 13, 2019
Como usar o DALL-E 2 para gerar imagens a partir de textos

Como usar o DALL-E 2 para gerar imagens a partir de textos

dezembro 25, 2022
Introdução ao MediaPipe e Pose Estimation

Introdução ao MediaPipe e Pose Estimation

julho 15, 2023

ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

abril 10, 2023
Como Analisar Ações da Bolsa com Python

Como Analisar Ações da Bolsa com Python

15
Setembro Amarelo: Análise do Suicídio no Brasil, com Data Science

Setembro Amarelo: Análise do Suicídio no Brasil, com Data Science

13
Como Aprender Data Science?

Como Aprender Data Science?

9
Qual o Cenário de Data Science no Brasil hoje?

Qual o Cenário de Data Science no Brasil hoje?

8
Por que o ChatGPT mente para você?

Por que o ChatGPT mente para você?

setembro 16, 2025
Green Card aprovado por habilidades extraordinárias em Data Science

Green Card aprovado por habilidades extraordinárias em Data Science

julho 14, 2025
O Que é Amostragem e Quantização no Processamento de Imagens

O Que é Amostragem e Quantização no Processamento de Imagens

junho 20, 2025
DeepSeek vazamento de dados de usuários

DeepSeek: Vazamento de dados expõe dados de usuários

fevereiro 1, 2025

Seguir

  • 💰 Você sabe o que faz e quanto ganha um cientista de dados?

Ser Cientista de Dados significa trabalhar com inteligência artificial, estatística e programação para transformar dados em decisões que movimentam negócios e impactam bilhões de pessoas.

É a função que dá vida a recomendações personalizadas, modelos preditivos e sistemas inteligentes que mudam a forma como empresas inovam.

E não é apenas fascinante...

💼💰 É também uma das carreiras mais bem remuneradas da área de tecnologia!

Se você quer uma carreira com futuro, relevância e excelente retorno financeiro, Data Science é o caminho certo!

#cientistadedados #datascience #python
  • Você colocaria fraldas do lado das cervejas no seu supermercado? 🤔

Parece estranho, mas foi exatamente essa descoberta que mudou as vendas do Walmart.

Os cientistas de dados da empresa analisaram milhões de transações com uma técnica de Data Mining que identifica padrões de compra e combinações inesperadas de produtos.

Então, usando algoritmos da Data Science, cruzaram dados de horário, perfil de cliente e itens comprados juntos.

Encontraram algo curioso: homens que passavam no mercado após as 18h para comprar fraldas, muitas vezes no caminho de casa, também compravam cerveja 🍺.

O Walmart testou a hipótese: colocou fraldas perto da seção de cervejas.

O resultado? As vendas de cerveja dispararam. 🚀

Esse é um exemplo clássico de como Data Science gera impacto direto no negócio.

Não é sobre algoritmos complexos apenas; é sobre transformar dados históricos em decisões inteligentes e lucrativas.

#datascience #cientistadedados #machinelearning
  • Conheça as formações da Academia Sigmoidal.

Nossos programas unem rigor acadêmico, prática aplicada e dupla certificação internacional, preparando você para atuar em Data Science, Visão Computacional e Inteligência Artificial com impacto real no mercado.

🤖 Pós-Graduação em Data Science: Forma Cientistas de Dados e Engenheiros de Machine Learning do zero, com Python, estatística e projetos práticos do mundo real.

👁️ Pós-Graduação em Visão Computacional: Especialize-se em processamento de imagens, Deep Learning, redes neurais e navegação autônoma de drones, tornando-se Engenheiro de Visão Computacional ou Engenheiro de Machine Learning.

📊 MBA em Inteligência Artificial: Voltado a profissionais de qualquer área, ensina a aplicar IA estrategicamente em negócios, usando automação, agentes de IA e IA generativa para inovação e competitividade.

Além do título de Especialista reconhecido pelo MEC, você ainda conquista uma Dupla Certificação Internacional com o STAR Research Institute (EUA).

💬 Interessado em dar o próximo passo para liderar no mercado de tecnologia? Me envie uma mensagem e eu te ajudo pessoalmente com a matrícula.

#DataScience #InteligenciaArtificial #VisaoComputacional
  • Treinar um modelo significa encontrar um bom conjunto de parâmetros. Esse conjunto é definido pela função objetivo, também chamada de função de perda. 👀

O gradient descent é o algoritmo que ajusta esses parâmetros passo a passo. Ele calcula a direção de maior inclinação da função de perda e move o modelo para baixo nessa curva. ⬇️

Se o parâmetro é o peso que multiplica X ou o bias que desloca a reta, ambos são atualizados. Cada iteração reduz o erro, aproximando o modelo da solução ótima.

A intuição é simples: sempre que a função de perda é maior, o gradiente aponta o caminho. O algoritmo segue esse caminho até que não haja mais descida possível. 🔄 

#inteligênciaartificial #datascience #machinelearning
  • Qual a melhor linguagem? PYTHON ou R?

Diretamente do túnel do tempo! Resgatei esse vídeo polêmico de 2021, quem lembra??

#DataScience #Python #R #Programação
  • 🎥 Como começar uma CARREIRA como CIENTISTA DE DADOS

Você já pensou em entrar na área que mais cresce e que paga os melhores salários no mundo da tecnologia?

Domingo você vai descobrir o que realmente faz um Cientista de Dados, quais são as habilidades essenciais e o passo a passo para dar os primeiros passos na carreira.

Eu vou te mostrar um mapa para você sair do zero e se preparar para trabalhar com Data Science em 2026.

📅 Domingo, 28 de setembro
🕖 20:00h (horário de Brasília)
🔗 Link nos Stories

Clique no link dos Stories e receba o link da aula ao vivo!

#datascience #machinelearning #cientistadedados
  • VISÃO COMPUTACIONAL está no centro de um dos avanços mais impressionantes da exploração espacial recente: o pouso autônomo da missão Chang’e-5 na Lua. 🚀🌑

Durante a descida, câmeras de alta resolução e sensores a laser capturavam continuamente o relevo lunar, enquanto algoritmos embarcados processavam as imagens em tempo real para identificar crateras e obstáculos que poderiam comprometer a missão.

Esses algoritmos aplicavam técnicas de detecção de bordas e segmentação, aproximando crateras por elipses e cruzando a análise visual com dados de altímetros. Assim, a IA conseguia selecionar regiões planas e seguras para o pouso, ajustando a trajetória da nave de forma autônoma. 

Esse processo foi indispensável, já que a distância entre Terra e Lua gera atraso de comunicação que inviabiliza controle humano direto em tempo real.

Esse caso ilustra como IA embarcada está deixando de ser apenas uma ferramenta de análise pós-missão para se tornar parte crítica das operações espaciais autônomas em tempo real — um passo essencial para missões em Marte, asteroides e no lado oculto da Lua.

(PS: Vi o Sérgio Sacani, do @spacetoday , postando isso primeiro.)

#visaocomputacional #machinelearning #datascience
  • 🔴Aprenda a MATEMÁTICA por Trás do MACHINE LEARNING

Você já se perguntou como as máquinas aprendem?🤖 

A resposta está na matemática que dá vida ao Machine Learning. E neste vídeo, você vai aprender os conceitos fundamentais que sustentam os algoritmos de inteligência artificial, de forma clara e acessível.

Mais do que apenas fórmulas, a ideia é mostrar como cada peça matemática se conecta para transformar dados em aprendizado. Se você deseja compreender a lógica por trás do funcionamento das máquinas, essa aula é um ótimo ponto de partida.

📅 Domingo, 21 de setembro
🕖 20:00h (horário de Brasília)
🔗 Link nos Stories

#machinelearning #datascience #cientistadedados
  • 🚀 As matrículas estão abertas!
Depois de quase 1 ano, a nova turma da Pós-Graduação em Data Science chegou.

NOVIDADE: agora com Dupla Certificação Internacional:
🇧🇷 Diploma de Especialista reconhecido pelo MEC
🇺🇸 Certificado do STAR Research Institute (EUA)

Aprenda Data Science na prática, domine Machine Learning e IA, e conquiste reconhecimento no Brasil e no mundo.

2025 pode ser o ano em que você dá o passo decisivo para se tornar Cientista de Dados.

🔗 Clique no link da bio e reserve sua vaga!
#datascience #cienciadedados #python
  • Por que o CHATGPT MENTE PARA VOCÊ? 🤔

Já percebeu que o ChatGPT às vezes responde com confiança... mas está errado? 

Isso acontece porque, assim como um aluno em prova, ele prefere chutar do que deixar em branco.
Essas respostas convincentes, mas erradas, são chamadas de alucinações.

E o que o pesquisadores da OpenAI sugerem, é que esse tipo de comportamento aparece porque os testes que treinam e avaliam o modelo premiam o chute e punem a incerteza.

Então, da próxima vez que ele ‘inventar’ algo, lembre-se: não é pessoal, ele apenas for treinado dessa maneira!
#inteligênciaartificial #chatgpt #datascience
  • ChatGPT: um "estagiário de LUXO" para aumentar sua produtividade na programação.

 #programacao #copiloto #produtividade #streamlit #dashboard #tecnologia #devlife
  • Da série “Foi a IA que me deu”, vamos relembrar minha viagem pra Tromsø, na Noruega, 500 km acima da linha do Círculo Polar Ártico. 🌍❄️

No vídeo de hoje, você vai aprender o que é um "fiorde"! 

Como você dormia sem saber o que era um fiorde?? 😅
  • Qual LINGUAGEM DE PROGRAMAÇÃO é usada na TESLA?

A Tesla utiliza diferentes linguagens de programação em cada fase do ciclo de desenvolvimento. 

O treinamento das redes neurais convolucionais (CNN) é feito em Python, aproveitando bibliotecas científicas e a rapidez de prototipagem. Isso permite testar arquiteturas de CNN com agilidade no ambiente de pesquisa.

Já a implementação embarcada ocorre em C++, garantindo alta performance. Como os modelos de CNN precisam responder em tempo real, o C++ assegura baixa latência para tarefas como detectar pedestres e interpretar placas de trânsito.

Com isso, a Tesla combina Python para pesquisa e C++ para produção, equilibrando inovação e velocidade em sistemas críticos de visão computacional.

#python #machinelearning #inteligenciaartificial
  • Aproveitando o domingo… vamos relaxar um pouco e falar sobre cinema 🎬

Em
  • Já se perguntou como conseguimos distinguir intuitivamente um gato de um cachorro, mesmo com tantas semelhanças físicas? 

Para nós, essa identificação é quase automática.

Na filosofia aristotélica, a inteligência é um atributo da alma: o mundo real é captado pelos sentidos, transformado em imagens na imaginação (fantasmas), e organizado em conceitos que nos permitem compreender a realidade de forma imediata.

Já as máquinas não têm alma nem intuição. Para aprender essa mesma tarefa, precisam decompor o problema em camadas hierárquicas: 

Nas primeiras, redes neurais profundas extraem padrões simples (bordas, texturas); nas intermediárias, formas mais abstratas (orelhas, olhos, focinho); e apenas nas finais esses elementos são combinados em conceitos de alto nível como “gato” ou “cachorro”.

Enquanto nós chegamos ao entendimento de forma direta, a inteligência artificial depende de sucessivas representações para “fazer sentido” do mundo. 🤖

#inteligênciaartificial #redesneurais #deepLearning #filosofia #tecnologia
  • INTELIGÊNCIA ARTIFICIAL se tornou a carreira mais promissora atualmente.

Este mercado, em constante crescimento global, oferece oportunidades de trabalho remoto, seja como freelancer ou contratado por empresas. 

Para quem busca uma carreira flexível e em expansão, a área de DATA SCIENCE / IA pode ser o caminho ideal. 

Afinal, você consgue me dizer quais outras áreas oferecem tamanha versatilidade e crescimento? 

#cienciadedados #python #inteligenciaartificial #mercadodetrabalho #tecnologia #oportunidades
Instagram Youtube LinkedIn Twitter
Sigmoidal

O melhor conteúdo técnico de Data Science, com projetos práticos e exemplos do mundo real.

Seguir no Instagram

Categorias

  • Aeroespacial
  • Artigos
  • Blog
  • Carreira
  • Cursos
  • Data Science
  • Deep Learning
  • Destaques
  • Entrevistas
  • IA Generativa
  • Livros
  • Machine Learning
  • Notícias
  • Python
  • Teoria
  • Tutoriais
  • Visão Computacional
  • Youtube

Navegar por Tags

camera calibration carreira chatgpt cientista de dados cnn computer vision Cursos dados desbalanceados data science data science na prática decision tree deep learning gpt-3 histograma IA generativa image formation inteligência artificial jupyter kaggle keras machine learning matplotlib mnist nft openai opencv overfitting pandas profissão python redes neurais redes neurais convolucionais regressão linear regressão logística salário scikit-learn seaborn sklearn tensorflow titanic tutorial visão computacional vídeo youtube árvore de decisão

© 2024 Sigmoidal - Aprenda Data Science, Visão Computacional e Python na prática.

Welcome Back!

Login to your account below

Forgotten Password?

Retrieve your password

Please enter your username or email address to reset your password.

Log In

Add New Playlist

Sem Resultado
Ver Todos Resultados
  • Home
  • Cursos
  • Pós-Graduação
  • Blog
  • Sobre Mim
  • Contato
  • English

© 2024 Sigmoidal - Aprenda Data Science, Visão Computacional e Python na prática.