Fontes públicas — Deep Learning
Todos os links abaixo foram abertos e verificados em outubro de 2026. Nenhum é página de compra, resenha vazia ou cópia não autorizada do livro. Use-os para acompanhar a leitura, não para substituí-la.
| Tipo | Título | URL | O que há no link |
|---|---|---|---|
| Documentação oficial – livro completo em HTML gratuito | Deep Learning — deeplearningbook.org | https://www.deeplearningbook.org/ | Livro inteiro em HTML, gratuito e oficial (MIT Press), um link por capítulo (20 capítulos), mais notação, bibliografia, exercícios e FAQ. Cada capítulo é uma página própria (ex.: contents/linear_algebra.html), ideal para o NotebookLM. |
| Slides oficiais por capítulo | Deep Learning — Lecture Slides | https://www.deeplearningbook.org/lecture_slides.html | Slides de aula (PDF/Keynote) para os 18 primeiros capítulos, vários decks para o cap. 8, e vídeos de reading groups. Mais índice de links do que texto corrido. |
| GitHub – notas de estudo | hadrienj/deepLearningBook-Notes | https://github.com/hadrienj/deepLearningBook-Notes | README nas 12 seções do cap. 2 (Álgebra Linear): tensores, multiplicação de matrizes, inversa, norma, autodecomposição, SVD, pseudoinversa, PCA, cada uma com notebook Python/NumPy e link para o post do blog. ~1,8k estrelas, MIT. |
| GitHub – resumos por capítulo | dalmia/Deep-Learning-Book-Chapter-Summaries | https://github.com/dalmia/Deep-Learning-Book-Chapter-Summaries | Resumos comunitários em notebooks para os caps. 2, 3, 4, 7, 8, 9, 11, 13 e um apêndice, com a proposta de “explicar alguns conceitos em mais detalhe” que o livro. ~1,1k estrelas. |
| Artigo de blog técnico | Deep Learning Book Series · 2.7 Eigendecomposition (hadrienj) | https://hadrienj.github.io/posts/Deep-Learning-Book-Series-2.7-Eigendecomposition/ | Tutorial longo sobre autovetores/autovalores, matrizes simétricas, formas quadráticas e otimização com restrição, com contas passo a passo, NumPy e gráficos. Um dos 12 posts da série que acompanha o repo acima. |
| Guia de leitura | Deep Learning (Goodfellow) — TheoremPath reading guide | https://theorempath.com/topics/deep-learning-goodfellow-book | Classifica cada um dos 20 capítulos como “ainda essencial”, “ler seletivamente” ou “pular”, com ordem de leitura, o que envelheceu (sem Transformers/difusão), confusões comuns e leituras complementares. Marcado como beta. |
| Cheat sheet | CS 230 — Deep Learning Tips and Tricks (Stanford) | https://stanford.edu/~shervine/teaching/cs-230/cheatsheet-deep-learning-tips-and-tricks | Cheat sheet de Stanford cobrindo o núcleo prático dos caps. 7–8 e 11: data augmentation, batch norm, backprop, inicialização Xavier, Adam, dropout, regularização, early stopping e debug (overfit de um batch, gradient checking). |
Voltar ao guia de leitura · Todas as fontes