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
16
COMPARTILHAMENTOS
537
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
Compartilhar1Compartilhar6Enviar
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

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
Visão Computacional

Processamento de Nuvens de Pontos com Open3D e Python

por Carlos Melo
janeiro 2, 2025
Minha Participação no Hipsters Ponto Tech: TensorFlow
Deep Learning

Minha Participação no Hipsters Ponto Tech: TensorFlow

por Carlos Melo
abril 10, 2024
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

    450 compartilhamentos
    Compartilhar 180 Tweet 113
  • Equalização de Histograma com OpenCV e Python

    112 compartilhamentos
    Compartilhar 45 Tweet 28
  • ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

    385 compartilhamentos
    Compartilhar 154 Tweet 96
  • Geometria da Formação de Imagens: Matrizes, Transformações e Sistemas de Coordenadas

    367 compartilhamentos
    Compartilhar 147 Tweet 92
  • Redes Neurais Convolucionais com Python

    92 compartilhamentos
    Compartilhar 37 Tweet 23
  • 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
DeepSeek vazamento de dados de usuários

DeepSeek: Vazamento de dados expõe dados de usuários

fevereiro 1, 2025
DeepSeek R1 vs OpenAI o1 – Qual é o Melhor Modelo de IA

DeepSeek R1 vs OpenAI o1 – Qual é o Melhor Modelo de IA?

janeiro 25, 2025
Trump Anuncia Investimento de US$ 500 Bilhões em Infraestrutura de IA

Trump Anuncia Investimento de US$ 500 Bilhões em Infraestrutura de IA

janeiro 22, 2025
Trump revoga decreto de Biden sobre regulação de Inteligência Artificial

Trump revoga decreto de Biden sobre regulação de Inteligência Artificial

janeiro 21, 2025

Seguir

  • 🇺🇸 Green Card por Habilidade Extraordinária em Data Science e Machine Learning

Após nossa mudança para os EUA, muitas pessoas me perguntaram como consegui o Green Card tão rapidamente. Por isso, decidi compartilhar um pouco dessa jornada.

O EB-1A é um dos vistos mais seletivos para imigração, sendo conhecido como “The Einstein Visa”, já que o próprio Albert Einstein obteve sua residência permanente através desse processo em 1933.

Apesar do apelido ser um exagero moderno, é fato que esse é um dos vistos mais difíceis de conquistar. Seus critérios rigorosos permitem a obtenção do Green Card sem a necessidade de uma oferta de emprego.

Para isso, o aplicante precisa comprovar, por meio de evidências, que está entre os poucos profissionais de sua área que alcançaram e se mantêm no topo, demonstrando um histórico sólido de conquistas e reconhecimento.

O EB-1A valoriza não apenas um único feito, mas uma trajetória consistente de excelência e liderança, destacando o conjunto de realizações ao longo da carreira.

No meu caso específico, após escrever uma petição com mais de 1.300 páginas contendo todas as evidências necessárias, tive minha solicitação aprovada pelo USCIS, órgão responsável pela imigração nos Estados Unidos.

Fui reconhecido como um indivíduo com habilidade extraordinária em Data Science e Machine Learning, capaz de contribuir em áreas de importância nacional, trazendo benefícios substanciais para os EUA.

Para quem sempre me perguntou sobre o processo de imigração e como funciona o EB-1A, espero que esse resumo ajude a esclarecer um pouco mais. Se tiver dúvidas, estou à disposição para compartilhar mais sobre essa experiência! #machinelearning #datascience
  • 🚀Domine a tecnologia que está revolucionando o mundo.

A Pós-Graduação em Visão Computacional & Deep Learning prepara você para atuar nos campos mais avançados da Inteligência Artificial - de carros autônomos a robôs industriais e drones.

🧠 CARGA HORÁRIA: 400h
💻 MODALIDADE: EAD
📅 INÍCIO DAS AULAS: 29 de maio

Garanta sua vaga agora e impulsione sua carreira com uma formação prática, focada no mercado de trabalho.

Matricule-se já!

#deeplearning #machinelearning #visãocomputacional
  • Green Card aprovado! 🥳 Despedida do Brasil e rumo à nova vida nos 🇺🇸 com a família!
  • Haverá sinais… aprovado na petição do visto EB1A, visto reservado para pessoas com habilidades extraordinárias!

Texas, we are coming! 🤠
  • O que EU TENHO EM COMUM COM O TOM CRUISE??

Clama, não tem nenhuma “semana” aberta. Mas como@é quinta-feira (dia de TBT), olha o que eu resgatei!

Diretamente do TÚNEL DO TEMPO: Carlos Melo &Tom Cruise!
  • Bate e Volta DA ITÁLIA PARA A SUÍÇA 🇨🇭🇮🇹

Aproveitei o dia de folga após o Congresso Internacional de Astronáutica (IAC 2024) e fiz uma viagem “bate e volta” para a belíssima cidade de Lugano, Suíça.

Assista ao vlog e escreve nos comentários se essa não é a cidade mais linda que você já viu!

🔗 LINK NOS STORIES
  • Um paraíso de águas transparentes, e que fica no sul da Suíça!🇨🇭 

Conheça o Lago de Lugano, cercado pelos Alpes Suíços. 

#suiça #lugano #switzerland #datascience
  • Sim, você PRECISA de uma PÓS-GRADUAÇÃO em DATA SCIENCE.
  • 🇨🇭Deixei minha bagagem em um locker no aeroporto de Milão, e vim aproveitar esta última semana nos Alpes suíços!
  • Assista à cobertura completa no YT! Link nos stories 🚀
  • Traje espacial feito pela @axiom.space em parceria com a @prada 

Esse traje será usados pelos astronautas na lua.
para acompanhar as novidades do maior evento sobre espaço do mundo, veja os Stories!

#space #nasa #astronaut #rocket
  • INTERNATIONAL ASTRONAUTICAL CONGRESS - 🇮🇹IAC 2024🇮🇹

Veja a cobertura completa do evento nos DESTAQUES do meu perfil.

Esse é o maior evento de ESPAÇO do mundo! Eu e a @bnp.space estamos representando o Brasil nele 🇧🇷

#iac #space #nasa #spacex
  • 🚀 @bnp.space is building the Next Generation of Sustainable Rocket Fuel.

Join us in transforming the Aerospace Sector with technological and sustainable innovations.
  • 🚀👨‍🚀 Machine Learning para Aplicações Espaciais

Participei do maior congresso de Astronáutica do mundo, e trouxe as novidades e oportunidade da área de dados e Machine Learning para você!

#iac #nasa #spacex
  • 🚀👨‍🚀ACOMPANHE NOS STORIES

Congresso Internacional de Astronáutica (IAC 2024), Milão 🇮🇹
  • Projeto Aeroespacial do final de semana!👨‍🚀
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.