Share it with your network.
Os elementos do estilo analítico de dados
Autor: Jeffrey Leek
Este livro se concentra nos detalhes da análise de dados que às vezes são esquecidos nas aulas e livros didáticos tradicionais de estatística.
A arte da ciência de dados
Autores: Roger D. Peng e Elizabeth Matsui
Este livro descreve o processo de análise de dados com um mínimo de detalhes técnicos. O que eles descrevem não é uma “fórmula” específica para análise de dados, mas sim um processo geral que pode ser aplicado em diversas situações.
Automatize as coisas chatas com Python
Autor: Al Sweigart
Neste livro, você aprenderá a usar o Python para escrever programas que fazem em minutos o que você levaria horas para fazer manualmente, sem necessidade de experiência prévia em programação.
Ciência de dados na produção
Autor: Ben G. Weber
Este livro é destinado a profissionais que desejam começar a criar produtos de dados em vários ambientes de nuvem e desenvolver habilidades para ciência de dados aplicada.
Entendendo o aprendizado de máquina: da teoria aos algoritmos
Autores: Shai Shalev-Shwartz e Shai Ben-David
Este livro inclui uma discussão sobre a complexidade computacional do aprendizado e os conceitos de convexidade e estabilidade; paradigmas algorítmicos importantes, incluindo gradiente descendente estocástico, redes neurais e aprendizado estruturado de saída; e conceitos teóricos emergentes, como a abordagem PAC-Bayes e limites baseados em compressão.
Fundamentos da Ciência de Dados
Autores: Blum, Hopcroft e Kannan
Este livro de ciência de dados é uma ótima combinação de palestras no curso teórico moderno em ciência de dados.
Tutorial da UFLDL
Colaboradores: Andrew Ng, Jiquan Ngiam, Chuan Yu Foo, Yifan Mai, Carolina Suen
Este tutorial tem como objetivo familiarizá-lo com as principais ideias de aprendizado de recursos não supervisionado e aprendizado profundo.
Manual de ciência de dados em Python
Autor: Jake VanderPlas
O livro apresenta as principais bibliotecas essenciais para trabalhar com dados em Python: particularmente IPython, NumPy, Pandas, Matplotlib, Scikit-Learn e pacotes relacionados.
Aprendizado de máquina prático e big data
Autores: Kareem Alkaseer
Este livro é uma ótima fonte para aprender os conceitos de aprendizado de máquina e big data.
Estatísticas da Think
Autor: Allen B. Downey
O Think Stats enfatiza técnicas simples que você pode usar para explorar conjuntos de dados reais e responder perguntas interessantes. Este é um dos livros mais recomendados para ciência de dados.
Pense em Bayes
Autor: Allen B. Downey
Think Bayes é uma introdução à estatística bayesiana usando métodos computacionais. Este livro usa código Python em vez de matemática e aproximações discretas em vez de matemática contínua.
EE263: Introdução aos sistemas dinâmicos lineares
Autor: Reza Nasiri Mahalati
Esta compilação do professor Sanjay enfatiza a álgebra linear aplicada e os sistemas dinâmicos lineares com aplicações em circuitos, processamento de sinais, comunicações e sistemas de controle. O link para as notas do curso de anos anteriores do professor Boyd pode ser encontrado aqui.
Otimização convexa — Boyd e Vandenberghe
Autor: Stephen Boyd e Lieven Vandenberghe
Este livro fornece uma introdução abrangente ao assunto e mostra em detalhes como esses problemas podem ser resolvidos numericamente com grande eficiência.
Fundamentos da metaheurística
Autor: Sean Luke
Este é um conjunto aberto de notas de aula sobre algoritmos metaheurísticos, destinado a estudantes de graduação, profissionais, programadores e outros não especialistas.
CIML
Autor: Hal Daume III
O CIML é um conjunto de materiais introdutórios que abrange a maioria dos principais aspectos do aprendizado de máquina moderno (aprendizado supervisionado, aprendizado não supervisionado, métodos de grande margem, modelagem probabilística, teoria do aprendizado etc.).
Estes são alguns dos
.jpg)
