Livro - Machine Learning Beyond Point Predictions: Uncertainty Quantification
❗️ Se você vive fora do Brasil, acesse a versão internacional da página do livro clicando aqui.
Onde comprar
📘 A versão impressa está disponível em dois formatos:
- 📙 Colorida: na UICLAP ou na Amazon (os preços na Amazon oscilam com o dólar).
- 📗 Preto e branco: clique aqui.
Versão gratuita
📥 Baixe a versão completa em PDF gratuitamente: clicando aqui.
Contribua com este projeto
- Chave PIX: 2f439cb9-9172-4104-81a0-a2649695a2d7
- Código QR:
Sobre o livro
Escrito para pesquisadores e profissionais com boa formação matemática, este livro oferece um guia prático e teórico para quantificação de incerteza em aprendizado supervisionado. Ele explora tanto as incertezas epistêmicas quanto as aleatórias, com ferramentas aplicáveis a áreas como cosmologia, previsão de epidemias e inteligência artificial.
Os tópicos incluem:
- Estimação de densidade condicional com misturas e redes neurais
- Processos Gaussianos e Árvores Aditivas Bayesianas
- Predição conformal e calibração probabilística
- Inferência sem verossimilhança
Exemplos práticos e códigos estão disponíveis no repositório oficial do projeto: GitHub.
Repositório de códigos
🛠️ GitHub com os códigos: https://github.com/rizbicki/UQ4ML/
Como citar
📚 Izbicki, R. Machine Learning Beyond Point Predictions: Uncertainty Quantification. 1ª edição, 2025, 260 páginas. ISBN: 978-65-01-20272-3.
📜 Entrada BibTeX: clique aqui.