Ciência de dados e engenharia de IA não formam uma sequência de ferramentas isoladas. Para sair da curiosidade e chegar a sistemas em produção, é preciso aprender a interpretar dados, formular problemas, programar, construir modelos de aprendizado de máquina (machine learning, ML) e avaliar o que acontece depois da implantação, inclusive em aplicações com grandes modelos de linguagem (LLMs).
Esta trilha organiza dez livros nessa progressão, mas não é uma escada rígida: alterna fundamentos, sistemas e aprofundamentos. O livro 8, por exemplo, aprofunda as redes neurais apresentadas no 5, depois de dois livros sobre sistemas. As etapas práticas pressupõem familiaridade com Python, que pode ser desenvolvida em paralelo. A leitura não substitui prática, projetos nem documentação atualizada.
Nível e foco são orientações editoriais do Próxima Leitura, não classificações oficiais. Em livros técnicos, bibliotecas e exemplos podem mudar; confira a documentação das ferramentas durante a prática.
Nº 1
Estatística: o que é, para que serve, como funciona
Charles Wheelan · Zahar
328 páginas
Nível: iniciante
Foco: Estatística e interpretação de dados
Skoob 4,3
Melhor para: começar pela intuição estatística antes de entrar em fórmulas, código e modelos.
Charles Wheelan apresenta conceitos como inferência, correlação, probabilidade e viés em linguagem acessível. O objetivo não é substituir um curso formal, mas mostrar como números podem esclarecer decisões, e também como podem enganar quando são mal interpretados.
Papel na trilha: Dá o repertório para questionar resultados e conclusões em todas as etapas seguintes.
Talvez não seja para você se: você procura exercícios matemáticos, demonstrações ou implementação em Python; este é o ponto de partida conceitual da trilha.
Publicidade
Nº 2
Data Science para Negócios
Foster Provost e Tom Fawcett · Alta Books
408 páginas
Nível: iniciante a intermediário
Foco: Problemas de negócio e pensamento analítico
Skoob 4,2
Melhor para: entender como transformar uma pergunta de negócio em um problema que dados e modelos possam ajudar a resolver.
O livro organiza princípios de pensamento analítico, seleção de dados, avaliação e tomada de decisão. Em vez de começar por uma ferramenta, mostra por que um projeto de ciência de dados precisa de um objetivo claro e de critérios que façam sentido para o contexto.
Papel na trilha: Depois da estatística, ensina a formular o problema certo antes de escolher algoritmo ou infraestrutura.
Talvez não seja para você se: você quer um tutorial de programação passo a passo; a ênfase está no raciocínio e na ligação entre análise e negócio.
Publicidade
Nº 3
Essential Math for Data Science
Thomas Nield · O’Reilly Media
349 páginas
Nível: iniciante a intermediário
Foco: Matemática aplicada à ciência de dados
Skoob —
Melhor para: revisar cálculo, probabilidade, estatística e álgebra linear com conexão direta a problemas de dados.
Thomas Nield reúne a matemática que aparece com frequência em ciência de dados e aprendizado de máquina. Os capítulos conectam conceitos como vetores, derivadas, distribuições e regressão a exemplos computacionais em Python, ajudando a preencher lacunas de matemática que reaparecem nos livros seguintes.
Papel na trilha: Formaliza a base matemática usada nos exemplos computacionais, na análise de dados e no treinamento de modelos.
Talvez não seja para você se: você ainda não se sente confortável com Python ou prefere uma formação matemática rigorosa e baseada em provas.
Idioma: esta edição está disponível somente em inglês.
Publicidade
Nº 4
Python para Análise de Dados – 3ª Edição
Wes McKinney · Novatec
624 páginas
Nível: intermediário inicial
Foco: Python, pandas e preparação de dados
Skoob 4,3
Melhor para: aprender a limpar, transformar, combinar e explorar dados com as ferramentas centrais do ecossistema Python.
Criador do pandas, Wes McKinney apresenta fluxos de análise com Python, NumPy, pandas e Jupyter. A terceira edição trabalha desde estruturas de dados e importação de arquivos até agregação, séries temporais e preparação de conjuntos reais.
Papel na trilha: Leva a trilha do conceito à prática: é onde o código passa a lidar com dados reais.
Talvez não seja para você se: você busca uma introdução absoluta à programação; algum domínio de Python ajuda a aproveitar melhor os exemplos.
Publicidade
Nº 5
Mãos à obra: aprendizado de máquina com Scikit-Learn, Keras & TensorFlow – 3ª edição
Aurélien Géron · Alta Books
640 páginas
Nível: intermediário
Foco: Modelos de machine learning e deep learning
Skoob —
Melhor para: construir uma visão prática do ciclo de machine learning, da preparação dos dados ao treinamento e à avaliação.
Aurélien Géron combina fundamentos com exemplos de Scikit-Learn, Keras e TensorFlow. O percurso passa por modelos clássicos, redes neurais e técnicas de treinamento, sempre com foco em implementação e comparação de alternativas.
Papel na trilha: É a ponte entre análise de dados e construção de modelos que depois precisarão funcionar como sistemas.
Talvez não seja para você se: você quer apenas teoria ou ainda não domina Python e a matemática básica dos itens anteriores.
Publicidade
Nº 6
Projetando sistemas de Machine Learning
Chip Huyen · Alta Books
384 páginas
Nível: intermediário a avançado
Foco: Sistemas de aprendizado de máquina (ML) em produção
Skoob 4,2
Melhor para: entender o que muda quando um modelo deixa o notebook e passa a atender pessoas e processos reais.
Chip Huyen discute dados, engenharia de atributos, avaliação, serviço de predição, implantação, mudanças de distribuição e monitoramento. O foco sai do desempenho isolado do modelo e vai para confiabilidade, manutenção e impacto do sistema inteiro.
Papel na trilha: Desloca o foco do modelo isolado para o sistema que o sustenta em produção.
Talvez não seja para você se: você ainda não construiu modelos nem conhece o fluxo básico de machine learning; o livro pressupõe essa base.
Publicidade
Nº 7
Machine Learning Design Patterns
Valliappa Lakshmanan, Sara Robinson e Michael Munn · O’Reilly Media
405 páginas
Nível: intermediário a avançado
Foco: Padrões de projeto para machine learning
Skoob —
Melhor para: ganhar repertório para reconhecer problemas recorrentes de dados, treinamento, avaliação e operação.
Os autores organizam soluções reutilizáveis para desafios que aparecem em diferentes projetos de machine learning. A abordagem por padrões ajuda a comparar escolhas, antecipar consequências e nomear decisões que equipes precisam discutir.
Papel na trilha: Depois da visão sistêmica, oferece um vocabulário de soluções recorrentes para decisões de arquitetura e implementação.
Talvez não seja para você se: você busca uma introdução linear a machine learning; o valor do livro aumenta quando já existem projetos e problemas concretos para comparar.
Idioma: esta edição está disponível somente em inglês.
Publicidade
Nº 8
Deep Learning with Python, Second Edition
François Chollet · Manning
504 páginas
Nível: intermediário
Foco: Deep learning com Keras e TensorFlow
Skoob —
Melhor para: aprofundar redes neurais com explicações conceituais e exemplos em Python.
François Chollet apresenta fundamentos de deep learning e aplicações em visão, texto e séries temporais com Keras e TensorFlow. A segunda edição procura explicar não só como montar os modelos, mas também como pensar sobre representação, generalização e avaliação.
Papel na trilha: Aprofunda as redes neurais introduzidas no item 5 depois da visão sistêmica dos itens 6 e 7.
Talvez não seja para você se: você ainda precisa aprender Python ou quer somente as bibliotecas e APIs mais recentes; exemplos técnicos de uma edição de 2021 já podem ter ficado para trás.
Idioma: esta edição está disponível somente em inglês.
Publicidade
Nº 9
Hands-On Large Language Models
Jay Alammar e Maarten Grootendorst · O’Reilly Media
693 páginas
Formato: Kindle
Nível: intermediário
Foco: Transformers, embeddings, geração aumentada por recuperação (RAG) e grandes modelos de linguagem (LLMs)
Skoob —
Melhor para: entender e experimentar os componentes que sustentam aplicações com grandes modelos de linguagem.
Jay Alammar e Maarten Grootendorst percorrem representações de texto, transformers, geração, busca semântica, RAG e ajuste de modelos. O livro combina diagramas e notebooks para ligar conceitos a experimentos práticos.
Papel na trilha: Especializa a trilha em modelos de linguagem antes da etapa final de engenharia de aplicações.
Talvez não seja para você se: você procura uma introdução à programação ou uma receita permanente para um campo que muda depressa.
Idioma: esta edição está disponível somente em inglês.
Publicidade
Nº 10
Engenharia de IA: construindo aplicações com modelos de fundação
Chip Huyen · Novatec
488 páginas
Nível: intermediário a avançado
Foco: Aplicações com modelos de fundação, RAG e agentes
Skoob —
Melhor para: reunir avaliação, RAG, agentes, custo, latência e arquitetura na construção de aplicações de IA.
Chip Huyen trata da engenharia necessária para transformar modelos de fundação em produtos e serviços. A discussão inclui seleção e avaliação de modelos, RAG, agentes, observabilidade, latência e custo, com atenção às decisões de sistema.
Papel na trilha: Fecha a trilha voltando à produção: integra modelos, dados, avaliação e infraestrutura em uma aplicação de IA.
Talvez não seja para você se: você ainda não tem base em dados e modelos, ou ainda precisa desenvolver familiaridade com programação, que esta trilha não cobre por completo.
Publicidade
Você não precisa concluir os dez livros antes de começar um projeto. Use a trilha como mapa: identifique sua lacuna, pratique com dados reais e volte aos fundamentos quando uma decisão de modelagem ou produção não estiver clara.
Para organizar a rotina de estudo, veja também 10 Livros de Hábitos e Produtividade para Organizar a Rotina.
Nos cards, “Skoob –” indica que a nota da edição apresentada não foi confirmada; não significa nota zero nem ausência de avaliações.
Notas do Skoob consultadas em 28/10/2026 e sujeitas a alterações.
Sobre estes links: O Próxima Leitura participa do Programa de Associados da Amazon e pode receber comissão por compras qualificadas feitas por estes links, sem custo adicional para você.