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
.png)
.png)
.png)