Livros Essenciais de IA/ML

Fundamentos Teóricos

Deep Learning

• Autores: Ian Goodfellow, Yoshua Bengio, Aaron Courville
• Editora: MIT Press · 2016
• PDF gratuito: https:/ww.deeplearningbook.org/
• Cobre: backprop, CNNs, RNNs, modelos não-supervisionados, fundamentos matemáticos

Pattern Recognition and Machine Learning

• Autores: Christopher M. Bishop
• Editora: Springer · 2006
• Cobre: modelos gráficos probabilísticos, métodos Bayesianos, inferência variacional

Machine Learning: A Probabilistic Perspective

• Autores: Kevin P. Murphy
• Editora: MIT Press · 2012
• Cobre: ML clássico e probabilístico, grafos, Monte Carlo — referência teórica completa

Probabilistic Machine Learning (vols. 1 e 2)

• Autores: Kevin P. Murphy
• Editora: MIT Press · 2022/2023
• PDF gratuito: https:/robml.github.iopml-book
• Cobre: versão moderna e expandida do anterior; inclui deep learning e LLMs

Reinforcement Learning: An Introduction

• Autores: Richard S. Sutton & Andrew G. Barto
• Editora: MIT Press · 2018 (2ª ed.)
• PDF gratuito: http:/ncompleteideas.netbookthe-book-2nd.html
• Cobre: DP, TD learning, Q-learning, policy gradients — referência padrão de RL

Mathematics for Machine Learning

• Autores: Marc Peter Deisenroth, A. Aldo Faisal, Cheng Soon Ong
• Editora: Cambridge University Press · 2020
• PDF gratuito: https:/ml-book.github.io/
• Cobre: álgebra linear, cálculo, probabilidade, otimização — base matemática

The Elements of Statistical Learning

• Autores: Trevor Hastie, Robert Tibshirani, Jerome Friedman
• Editora: Springer · 2009 (2ª ed.)
• PDF gratuito: https:/astie.su.domainsElemStatLearn
• Cobre: ML clássico: árvores, SVMs, boosting, redes neurais rasas

Neural Networks and Deep Learning

• Autores: Michael Nielsen
• Online gratuito: http:/euralnetworksanddeeplearning.com/
• Cobre: introdução acessível — backprop, CNNs, regularização

---

Livros de LLMs e IA Moderna

Build a Large Language Model (From Scratch)

• Autores: Sebastian Raschka
• Editora: Manning · 2024
• Cobre: implementação prática de LLM do zero em PyTorch — muito recomendado

Designing Machine Learning Systems

• Autores: Chip Huyen
• Editora: O'Reilly · 2022
• Cobre: MLOps, pipelines de dados, deployment, monitoramento em produção

Natural Language Processing with Transformers

• Autores: Lewis Tunstall, Leandro von Werra, Thomas Wolf
• Editora: O'Reilly · 2022
• PDF gratuito: https:/ransformersbook.com/
• Cobre: fine-tuning prático com HuggingFace Transformers

The RLHF Book

• Autores: Nathan Lambert
• Online gratuito: https:/lhfbook.com/
• Cobre: RLHF completo — reward models, PPO, DPO, alinhamento

---

Recursos Online Permanentes