Livro Machine Learning

Encontrando um bom material para estudar

Eu passei os primeiros meses estudando machine learning com livros emprestados da biblioteca universitária. A maior parte era traduções ruins de livros em inglês, e algumas edições mais antigas já tinham bibliotecas obsoletas. O scikit-learn que eu usava tinha API diferente da que o autor descrevia. Eu perdia duas horas tentando rodar um exemplo só pra descobrir que uma função tinha sido removida numa atualização. A solução foi simples: parar de buscar tradução. Pegar o livro original em inglês, conferir a versão da biblioteca antes de começar e usar o repositório do GitHub do autor como referência cruzada. Assim que eu encontrei esse fluxo, o tempo de estudo dobrou, porque eu parava de brigar com código quebrado e ia direto pro conceito.

Como escolher seu livro machine learning

O mercado está cheio de títulos que prometem muito e entregam pouco. A maioria dos livros de introdução foca em teoria estatística antes de mostrar código funcionando. Isso não é ruim, mas é ineficiente se seu objetivo é construir modelos reais. Eu recomendo começar com algo que tenha exemplos práticos e manter a teoria como complemento. Um recurso que eu considero essencial é o Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow, do Aurélien Géron. Ele cobre desde regressão linear até redes neurais profundas, com código que roda nas versões atuais das bibliotecas. Eu li a segunda edição completa e usei cada capítulo como base para projetos profissionais. O único problema é que a primeira edição já está desatualizada, então vale a pena conferir o ano de publicação antes de comprar.

Outro livro que eu gosto é o The Elements of Statistical Learning, dos Hastie, Tibshirani e Friedman. É mais denso, mas oferece explicações que você não encontra em nenhum tutorial. A versão online é gratuita e atualizada. Eu consulto ela sempre que preciso entender o fundamento matemático de algum algoritmo.

Problema específico que eu encontrei

Num projeto real, eu tentei implementar um modelo de ensemble usando o método BaggingClassifier do scikit-learn com dados desbalanceados. O livro descrevia o problema e a solução, mas o código de exemplo falhava silenciosamente porque a métrica de avaliação padrão era a acurácia. Em datasets com 95% de uma classe, a acurácia ficava em 95% mesmo com um modelo inútil. A workaround que eu usei foi trocar a métrica para f1-score e adicionar class_weight='balanced' no classificador base do ensemble. Isso corrigiu o viés e melhorou o recall da classe minoritária de 12% para 78%, num espaço de cerca de dez linhas de código. Eu levei três dias para descobrir isso sozinho, porque o livro não mencionava o desbalanceamento.

O que os livros bons não dizem

A maioria dos materiais ignora a parte mais demorada do trabalho: limpar e preparar dados. Eu já vi estudantes terminarem um curso inteiro sem ter processado um dataset real com valores faltantes, outliers ou colunas categóricas codificadas erradamente. Se você quer aplicar machine learning no dia a dia, precisa praticar limpeza de dados com pelo menos o mesmo esforço que dedica aos algoritmos. Outro ponto cego é a escolha de hiperparâmetros. Livros explicam grid search e random search, mas raramente mostram que, na prática, você gasta 80% do tempo ajustandoLearning Rate e batch size em modelos profundos. Eu recomendo usar otimização bayesiana com Optuna quando o espaço de busca cresce. Reduz o tempo de tuning de horas para minutos em setups maiores.

O terceiro problema que ninguém comenta é a validação. Cross-validation simples falha com dados temporais ou agrupados. Se seu dataset tem sequências dependentes, como séries temporais ou logs de usuários, usar KFold aleatório gera data leakage e métricas infladas. A solução é usar TimeSeriesSplit ou validação por grupos (GroupKFold), dependendo da estrutura dos dados.

Download de código e recursos

O código dos livros que eu citei está disponível nos repositórios oficiais. Para o livro do Géron, o repositório é github.com/ageron/handson-ml2. Você pode clonar e rodar todos os notebooks localmente. Eu uso JupyterLab com Python 3.10 e as seguintes dependências: scikit-learn, tensorflow ou pytorch, pandas, numpy e matplotlib. A instalação leva cerca de cinco minutos em máquinas modernas. Eu recomendo usar conda ou venv para evitar conflitos de versão.

Para The Elements of Statistical Learning, o código R está em github.com/hastie/ElemStatLearn. Se você prefere Python, existem reimplementações comente na comunidade, mas o código original é em R.

Quando livros não são suficientes

Existem cenários em que livros não acompanham a velocidade da pesquisa. Modeles de transformers, quantização pós-treinamento e técnicas de fine-tuning como LoRA evoluem tão rápido que um livro impresso já nasce desatualizado. Nesses casos, paper reviews, documentação oficial e tutoriais recentes são mais úteis do que qualquer publicação tradicional. Se seu foco é deep learning moderno, eu recomendo complementar a leitura com o curso do Andrew Ng no Coursera e as notas de aula do Stanford CS229. Eles atualizam o conteúdo anualmente e cobrem tópicos que livros mais antigos deixam de fora.

Para quem trabalha com MLOps e deploy, livros raramente tocam no assunto. Eu sugiro ler sobre Docker, CI/CD para modelos e monitoramento de drift. Ferramentas como MLflow e Weights & Biases são práticas que todo engenheiro de machine learning precisa dominar além do modelo em si.