Entendendo Machine Learning: da teoria aos algoritmos [e-book gratuito de 449 páginas]

• "Understanding Machine Learning", de Shai Shalev-Shwartz e Shai Ben-David, é um livro publicado pela Cambridge University Press em 2014
• Aborda a base teórica e os algoritmos de machine learning.
• Com autorização da Cambridge University Press, o PDF do manuscrito foi disponibilizado e pode ser baixado apenas para uso pessoal
• Não é para redistribuição

[GN⁺]

Comentários no Hacker News

• Se você quer entender machine learning, recomendo "The StatQuest Illustrated Guide to Machine Learning", de Josh Starmer

  • Starmer é um excelente professor que expressa ideias complexas de forma clara e concisa
  • O livro foi escrito em um formato tão fácil de ler e entender quanto um livro infantil
  • Ele também publicou um livro sobre redes neurais e oferece métodos de ensino e comunicação úteis até para especialistas

• Se você quer entender os fundamentos de machine learning, recomendo "Probability for computer scientists", de Stanford

  • Cobre teoria das probabilidades e os fundamentos teóricos de machine learning
  • As aulas do Andrew Ng também são famosas, mas exigem conhecimento prévio de matemática
  • É possível baixar os materiais de aula do CS109 em PDF
  • "Learning from Data", do Caltech, também é bom para compreensão teórica
  • Se você quer entender redes neurais desde a base, recomendo "Neural networks zero to hero"

• Pessoalmente, as aulas de machine learning da Bloomberg são as minhas favoritas

• Se você quer aprender IA generativa moderna, recomendo "udlbook"

• Fico me perguntando se um engenheiro de software que não faz pesquisa realmente precisa entender profundamente os conceitos de machine learning

  • Sinto a lacuna de negócio necessária para implementar AI/ML
  • Pode ser mais adequado ajustar levemente modelos existentes do que desenvolver diretamente um modelo para um negócio básico

• Como introdução à teoria de machine learning, a teoria do aprendizado estatístico é a mais acessível

• O maior desafio dos modelos de ML não é o algoritmo, mas a organização do conhecimento contextual

  • Estruturar documentos de forma hierárquica melhora muito os resultados

• O livro que li há muito tempo é teórico e quase não foca em aplicações

  • Foi publicado em 2014 e hoje está desatualizado
  • A teoria matemática não é realmente útil, e uma abordagem prática é mais importante
  • Machine learning não é matemática nem ciência da computação teórica, mas um ramo da engenharia

• Este livro foi publicado em 2014; fico em dúvida se ainda é relevante hoje

• Acho que o livro, por ter sido publicado há 10 anos, está desatualizado