book

Aprendizado prático de máquina com Scikit-Learn e PyTorch

Name: Aprendizado prático de máquina com Scikit-Learn e PyTorch
Author: Aurélien Géron
ISBN: 0642572270100

by Aurélien Géron

October 2025

Intermediate to advanced

878 pages

28h 31m

Portuguese (Portugal, Brazil)

O'Reilly Media, Inc.

Read now

Unlock full access

Prefácio
Aprendizado de máquina em seus projetosObjetivo e abordagemExemplos de códigoPré-requisitosRoteiroAlterações entre as versões do TensorFlow e do PyTorchOutros recursosConvenções usadas neste livroAprendizado on-line da O'ReillyComo entrar em contato conoscoAgradecimentos
I. Fundamentos da aprendizagem automática
1. O cenário do aprendizado de máquina
O que é aprendizado de máquina?Por que usar o aprendizado de máquina?Exemplos de aplicativosTipos de sistemas de aprendizado de máquinaSupervisão de treinamentoAprendizado em lote versus aprendizado on-lineAprendizado baseado em instância versus aprendizado baseado em modeloPrincipais desafios da aprendizagem automáticaQuantidade insuficiente de dados de treinamentoDados de treinamento não representativosDados de baixa qualidadeRecursos irrelevantesAjuste excessivo dos dados de treinamentoAjuste insuficiente dos dados de treinamentoProblemas de implementaçãoRetrocessoTestes e validaçãoAjuste de hiperparâmetros e seleção de modelosIncompatibilidade de dadosExercícios
2. Projeto de aprendizado de máquina de ponta a ponta
Trabalhando com dados reaisVeja o panorama geralEnquadre o problemaSelecione uma medida de desempenhoVerificar as suposiçõesObter os dadosExecução dos exemplos de código usando o Google ColabComo salvar as alterações de código e os dadosO poder e o perigo da interatividadeCódigo de livro versus código de notebookBaixe os dadosDê uma olhada rápida na estrutura de dadosCriar um conjunto de testesExplore e visualize os dados para obter insightsVisualização de dados geográficosProcure correlaçõesFaça experiências com combinações de atributosPreparar os dados para os algoritmos de aprendizado de máquinaLimpar os dadosManipulação de atributos de texto e categóricosDimensionamento e transformação de recursosTransformadores personalizadosPipelines de transformaçãoSelecione e treine um modeloTreinamento e avaliação no conjunto de treinamentoMelhor avaliação usando validação cruzadaFaça o ajuste fino do modeloPesquisa em gradePesquisa aleatóriaMétodos de conjuntoAnalisando os melhores modelos e seus errosAvaliar seu sistema no conjunto de testeIniciar, monitorar e manter seu sistemaExperimente!Exercícios
3. Classificação
MNISTTreinamento de um classificador binárioMedidas de desempenhoMedição da precisão usando validação cruzadaMatrizes de confusãoPrecisão e recuperaçãoA solução de compromisso entre precisão e recuperaçãoA curva ROCClassificação multiclasseAnálise de errosClassificação com vários rótulosClassificação de várias saídasExercícios
4. Modelos de treinamento
Regressão linearA equação normalComplexidade computacionalDescida de gradienteDescida de gradiente em loteDescida de gradiente estocásticaDescida de gradiente em mini-loteRegressão polinomialCurvas de aprendizadoModelos lineares regularizadosRegressão RidgeRegressão LassoRegressão de rede elásticaParada antecipadaRegressão logísticaEstimativa de probabilidadesFunção de treinamento e custoLimites de decisãoRegressão SoftmaxExercícios
5. Árvores de decisão
Treinamento e visualização de uma árvore de decisãoFazendo previsõesEstimativa de probabilidades de classeO algoritmo de treinamento CARTComplexidade computacionalImpureza ou entropia de Gini?Hiperparâmetros de regularizaçãoRegressãoSensibilidade à orientação do eixoAs árvores de decisão têm uma alta variânciaExercícios
6. Aprendizagem em conjunto e florestas aleatórias
Classificadores de votaçãoEnsacamento e colagemEnsacamento e colagem no Scikit-LearnAvaliação fora do sacoPatches aleatórios e subespaços aleatóriosFlorestas aleatóriasExtra-árvoresImportância dos recursosImpulsionamentoAdaBoostReforço de gradienteGradient Boosting baseado em histogramaEmpilhamentoExercícios
7. Redução de dimensionalidade
A maldição da dimensionalidadePrincipais abordagens para redução de dimensionalidadeProjeçãoAprendizado de ManifoldPCAPreservação da variânciaComponentes principaisProjeção até d dimensõesUsando o Scikit-LearnÍndice de variância explicadaEscolhendo o número certo de dimensõesPCA para compressãoPCA aleatórioPCA incrementalProjeção aleatóriaLLEOutras técnicas de redução de dimensionalidadeExercícios
8. Técnicas de aprendizado não supervisionado
Algoritmos de agrupamento: k-means e DBSCANAgrupamento k-MeansLimites do k-MeansUso de clustering para segmentação de imagensUso de clustering para aprendizado semissupervisionadoDBSCANOutros algoritmos de agrupamentoMisturas GaussianasUso de misturas gaussianas para detecção de anomaliasSeleção do número de clustersModelos de mistura gaussiana bayesianaOutros algoritmos para detecção de anomalias e novidadesExercícios

II. Redes neurais e Deep Learning
9. Introdução às redes neurais artificiais
De neurônios biológicos a artificiaisNeurônios biológicosComputação lógica com neurôniosO PerceptronO Perceptron multicamada e a retropropagaçãoCriação e treinamento de MLPs com o Scikit-LearnMLPs de regressãoMLPs de classificaçãoDiretrizes de ajuste de hiperparâmetrosNúmero de camadas ocultasNúmero de neurônios por camada ocultaTaxa de aprendizadoTamanho do loteOutros hiperparâmetrosExercícios
10. Criando redes neurais com o PyTorch
Fundamentos do PyTorchTensores do PyTorchAceleração de hardwareAutogradImplementação da regressão linearRegressão linear usando tensores e AutogradRegressão linear usando a API de alto nível do PyTorchImplementação de um MLP de regressãoImplementação da descida de gradiente em mini-lote usando DataLoadersAvaliação de modelosCriação de modelos não sequenciais usando módulos personalizadosCriando modelos com várias entradasCriando modelos com várias saídasCriando um classificador de imagem com PyTorchUsando o TorchVision para carregar o conjunto de dadosCriando o classificadorAjuste fino dos hiperparâmetros da rede neural com o OptunaSalvando e carregando modelos do PyTorchCompilando e otimizando um modelo PyTorchExercícios
11. Treinamento de redes neurais profundas
Os problemas de desaparecimento/explodimento de gradientesInicialização do Glorot e inicialização do HeMelhores funções de ativaçãoNormalização de loteNormalização de camadasRecorte de gradienteReutilização de camadas pré-treinadasAprendizagem por transferência com PyTorchPré-treinamento não supervisionadoPré-treinamento em uma tarefa auxiliarOtimizadores mais rápidosMomentoGradiente acelerado de NesterovAdaGradRMSPropAdaAdaMaxNAdamAdamWProgramação da taxa de aprendizadoProgramação exponencialRecozimento de cossenoProgramação de desempenhoAquecimento da taxa de aprendizadoRecozimento de cosseno com reinicializações a quenteProgramação de 1 cicloEvitar o excesso de ajuste por meio da regularizaçãoRegularização ℓ1 e ℓ2DesistênciaDesistência de Monte CarloRegularização de norma máximaDiretrizes práticasExercícios
12. Visão computacional profunda usando redes neurais convolucionais
A arquitetura do córtex visualCamadas convolucionaisFiltrosEmpilhamento de vários mapas de recursosImplementação de camadas convolucionais com PyTorchCamadas de poolingImplementando camadas de pooling com o PyTorchArquiteturas de CNNLeNet-5AlexNetGoogLeNetResNetXceptionSENetOutras arquiteturas dignas de notaEscolhendo a arquitetura CNN corretaRequisitos de RAM da GPU: Inferência versus treinamentoRedes residuais reversíveis (RevNets)Implementando uma CNN ResNet-34 usando o PyTorchUsando os modelos pré-treinados do TorchVisionModelos pré-treinados para aprendizagem por transferênciaClassificação e localizaçãoDetecção de objetosRedes totalmente convolucionaisVocê só olha uma vezRastreamento de objetosSegmentação semânticaExercícios
13. Processamento de sequências usando RNNs e CNNs
Neurônios e camadas recorrentesCélulas de memóriaSequências de entrada e saídaTreinamento de RNNsPrevisão de uma série temporalA família de modelos ARMAPreparação dos dados para modelos de aprendizado de máquinaPrevisão usando um modelo linearPrevisão usando um RNN simplesPrevisão usando um RNN profundoPrevisão de séries temporais multivariadasPrevisão de várias etapas de tempo à frentePrevisão usando um modelo de sequência para sequênciaManuseio de sequências longasCombatendo o problema dos gradientes instáveisEnfrentando o problema da memória de curto prazoExercícios
14. Processamento de linguagem natural com RNNs e atenção
Geração de texto shakespeariano usando uma RNN de caracteresCriação do conjunto de dados de treinamentoEmbeddingsCriação e treinamento do modelo Char-RNNGeração de texto shakespeariano falsoAnálise de sentimentos usando bibliotecas de rostos abraçadosTokenização usando a biblioteca de tokenizadores Hugging FaceReutilização de tokenizadores pré-treinadosCriação e treinamento de um modelo de análise de sentimentosRNNs bidirecionaisReutilização de modelos de linguagem e embeddings pré-treinadosClasses específicas de tarefasA API do treinadorPipelines de rostos abraçadosUma rede codificador-decodificador para tradução automática neuralPesquisa de feixeMecanismos de atençãoExercícios
15. Transformadores para processamento de linguagem natural e chatbots
Atenção é tudo o que você precisa: A arquitetura original do transformadorCodificações posicionaisAtenção a várias cabeçasConstruindo o restante do transformadorCriando um transformador de inglês para espanholTransformadores somente de codificador para compreensão de linguagem naturalArquitetura do BERTPré-treinamento do BERTAjuste fino do BERTOutros modelos somente de codificadorTransformadores somente de decodificadorArquitetura GPT-1 e pré-treinamento generativoGPT-2 e aprendizagem zero-shotGPT-3, aprendizado no contexto, aprendizado com um único disparo e aprendizado com poucos disparosUso da GPT-2 para gerar textoUso da GPT-2 para responder a perguntasDownload e execução de um modelo ainda maior: Mistral-7BTransformando um grande modelo de linguagem em um chatbotAjuste fino de um modelo para conversar e seguir instruções usando SFT e RLHFOtimização direta de preferências (DPO)Ajuste fino de um modelo usando a biblioteca TRLDe um modelo de chatbot a um sistema completo de chatbotProtocolo de contexto de modeloBibliotecas e ferramentasModelos de codificador-decodificadorExercícios
16. Transformadores de visão e multimodais
Transformadores de visãoRNNs com atenção visualDETR: um híbrido CNN-transformador para detecção de objetosO ViT originalTransformador de imagem com eficiência de dadosTransformador Pyramid Vision para tarefas de previsão densasO Swin Transformer: Um ViT rápido e versátilDINO: aprendizado de representação visual autossupervisionadoOutros modelos e técnicas de visão importantesTransformadores multimodaisVideoBERT: uma variante do BERT para texto e vídeoViLBERT: um transformador de fluxo duplo para texto e imagemCLIP: um modelo de texto e imagem de codificador duplo treinado com pré-treinamento contrastivoDALL-E: geração de imagens a partir de prompts de textoPerceiver: Unindo modalidades de alta resolução com espaços latentesPerceiver IO: Um mecanismo de saída flexível para o receptorFlamingo: Diálogo visual abertoBLIP e BLIP-2Outros modelos multimodaisExercícios
17. Acelerando os transformadores
18. Autoencodificadores, GANs e modelos de difusão
Representações de dados eficientesExecução de PCA com um codificador automático linear incompletoAutoencodificadores empilhadosImplementação de um autocodificador empilhado usando o PyTorchVisualização das reconstruçõesDetecção de anomalias usando autoencodersVisualização do conjunto de dados MNIST de modaPré-treinamento não supervisionado usando autocodificadores empilhadosAmarração de pesosTreinamento de um autocodificador por vezAutocodificadores convolucionaisAutocodificadores de redução de ruídoAutocodificadores esparsosAutoencoders variacionaisGeração de imagens MNIST de modaAutoencoders de variação discretaRedes adversárias generativasAs dificuldades de treinar GANsModelos de difusãoExercícios
19. Aprendizagem por reforço
O que é aprendizado por reforço?Gradientes de políticaIntrodução à biblioteca do GymnasiumPolíticas de redes neuraisAvaliação de ações: O problema de atribuição de créditoResolução do CartPole usando gradientes de políticaMétodos baseados em valorProcessos de decisão de MarkovAprendizagem por diferença temporalQ-LearningPolíticas de exploraçãoQ-Learning aproximado e Deep Q-LearningImplementação do Deep Q-LearningAprimoramentos de DQNAlgoritmos de crítica ao atorComo dominar o Atari Breakout usando a implementação do PPO Stable-Baselines3Visão geral de alguns algoritmos populares de RLExercíciosObrigado a você!
A. Autodifusão
Diferenciação manualAproximação de diferença finitaAutodifusão no modo avançadoAutodifusão no modo reverso
B. Precisão mista e quantização
Representações de números comunsModelos de precisão reduzidaTreinamento com precisão mistaQuantizaçãoQuantização linearQuantização pós-treinamento usando torch.ao.quantizationTreinamento com reconhecimento de quantização (QAT)Quantificação de LLMs usando a biblioteca bitsandbytesUso de modelos pré-quantificados
Índice
Sobre o autor

Overview

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: translation-feedback@oreilly.com

O potencial do aprendizado de máquina hoje em dia é incrível, mas muitos desenvolvedores e profissionais de tecnologia que querem entrar nessa área ficam meio assustados com a complexidade. Se você quer melhorar suas habilidades e usar o aprendizado de máquina em projetos reais ou só está curioso pra saber como os sistemas de IA funcionam, esse livro é o ponto de partida.

Com um estilo acessível, mas super informativo, o autor Aurélien Géron apresenta o melhor guia introdutório ao aprendizado de máquina e ao Deep Learning. Com base no ecossistema Hugging Face, com foco em explicações claras e exemplos reais, o livro apresenta ferramentas de ponta como Scikit-Learn e PyTorch — desde técnicas básicas de regressão até redes neurais avançadas. Seja você um estudante, profissional ou amador, você vai adquirir as habilidades necessárias para construir sistemas inteligentes.

Entenda os fundamentos do ML, incluindo conceitos como sobreajuste e ajuste de hiperparâmetros
Conclua um projeto completo de ML usando o scikit-Learn, cobrindo tudo, desde a exploração de dados até a avaliação de modelos
Aprenda técnicas para aprendizado não supervisionado, como agrupamento e detecção de anomalias
Crie arquiteturas avançadas, como transformadores e modelos de difusão, com o PyTorch
Aproveite o poder dos modelos pré-treinados — incluindo LLMs — e aprenda a ajustá-los
Treine agentes autônomos usando aprendizado por reforço

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.

Read now

Unlock full access

More than 5,000 organizations count on O’Reilly

O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.

Julian F.

Head of Cybersecurity

I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.

Addison B.

Field Engineer

I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.

Amir M.

Data Platform Tech Lead

I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.

Mark W.

Embedded Software Engineer

IA generativa prática com transformadores e modelos de difusão

Publisher Resources

ISBN: 0642572270100

Cloud Computing

Data Engineering

Data Science

AI & ML

Programming Languages

Software Architecture

IT/Ops

Security

Design

Business

Soft Skills