Fontes públicas — Designing Machine Learning Systems
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 |
|---|---|---|---|
| GitHub oficial – resumos por capítulo | chiphuyen/dmls-book — summary.md | https://github.com/chiphuyen/dmls-book/blob/main/summary.md | Arquivo oficial da autora com resumo em prosa de 4–7 parágrafos para cada um dos 11 capítulos; o cap. 5 vem como lista de 9 práticas de feature engineering. O repo também tem ToC.pdf, mlops-tools.md e basic-ml-review.md. |
| GitHub oficial – recursos por capítulo | chiphuyen/dmls-book — resources.md | https://github.com/chiphuyen/dmls-book/blob/main/resources.md | Lista anotada de ~68 leituras complementares pelos 11 capítulos, com subseções de streaming, treino/debug/avaliação e contextual bandits; o cap. 1 traz 10 estudos de caso (Airbnb, Netflix, Booking, Lyft, Spotify). |
| Artigo de blog – resumo capítulo a capítulo | Designing ML Systems Book Summary — Cedric Chee | https://cedricchee.com/blog/ml-sys-design-book-summary/ | Resumo público (CC-BY-SA, ~22 min) dos 11 capítulos com subseções e bullets; caps. 6 (avaliação offline) e 10 (infra e MLOps) são os mais detalhados. |
| Artigo de blog – resumo detalhado (caps. 1–5) | Book Review and Summary: Designing ML Systems — Andrew Clark | https://andrewclark.co.uk/product-book-summaries/designing-machine-learning-systems | Key Takeaways do livro inteiro + resumo profundo dos caps. 1–5 (quando usar ML, engenharia de dados, training data, feature engineering) com tabelas comparativas, data leakage, desbalanceamento e latência. Texto longo, sem paywall. |
| Guia oficial gratuito – booklet precursor | Machine Learning Systems Design — huyenchip.com | https://huyenchip.com/machine-learning-systems-design/design-a-machine-learning-system.html | Capítulo central do booklet gratuito de 2019 da autora em 4 etapas: project setup, data pipeline, modeling (baselines, debug, hiperparâmetros) e serving (experimentos, online training, interpretabilidade). A autora avisa que o livro de 2022 é a versão completa. |
| Nota de aula oficial – companheira do cap. 8 | Data Distribution Shifts and Monitoring — Chip Huyen (CS 329S) | https://huyenchip.com/2022/02/07/data-distribution-shifts-and-monitoring.html | Nota longa do curso de Stanford que virou o livro: feedback loops, train-serving skew, covariate/label shift e concept drift, detecção (testes KS, janelas), correção (retrain, fine-tune) e monitoramento vs observabilidade. |
| Guia de estudo / curso de origem | MLOps guide (huyenchip.com/mlops) e CS 329S Syllabus (Stanford) | https://huyenchip.com/mlops/ e https://stanford-cs329s.github.io/syllabus.html | O guia MLOps é a trilha de estudo da autora (fundamentos → MLOps → carreira → 9 estudos de caso). O syllabus lista aula a aula com links para notas e slides; é índice, use-o para achar as notas de aula. |
Voltar ao guia de leitura · Todas as fontes