[{"data":1,"prerenderedAt":237},["ShallowReactive",2],{"lang-switch-post-\u002Fplaylists":3,"playlists-index-pt":4},null,[5,40,97,168,196],{"id":6,"title":7,"body":8,"cover":3,"description":30,"extension":31,"meta":32,"navigation":33,"order":34,"path":35,"seo":36,"status":37,"stem":38,"__hash__":39},"playlists\u002Fpt\u002Fplaylists\u002Fmachine-learning-specialization\u002Findex.md","Machine Learning Specialization (Andrew Ng)",{"type":9,"value":10,"toc":26},"minimark",[11,20,23],[12,13,14,15,19],"p",{},"Essa playlist é o meu caderno de anotações público enquanto estudo a ",[16,17,18],"strong",{},"Machine Learning Specialization",", do Andrew Ng (DeepLearning.AI \u002F Stanford), provavelmente o curso mais recomendado pra quem tá começando em ML.",[12,21,22],{},"A ideia aqui não é só \"resolver o notebook e seguir\". Cada lab do curso vira um post onde eu reconto o que entendi, com metáfora, exemplo do dia a dia, e claro, o nome técnico certo, porque isso você vai precisar quando for procurar mais coisa sobre o assunto depois.",[12,24,25],{},"Começamos pelo começo: representar o modelo mais simples que existe, a regressão linear com uma variável.",{"title":27,"searchDepth":28,"depth":28,"links":29},"",2,[],"Meus estudos passo a passo pela especialização de Machine Learning do Andrew Ng (DeepLearning.AI \u002F Stanford), curso por curso, lab por lab.","md",{},true,1,"\u002Fpt\u002Fplaylists\u002Fmachine-learning-specialization",{"title":7,"description":30},"published","pt\u002Fplaylists\u002Fmachine-learning-specialization\u002Findex","E9Okc28mL6OITzVoZv3DkKW9sSyof7S1q6TRo9ovEso",{"id":41,"title":42,"body":43,"cover":3,"description":91,"extension":31,"meta":92,"navigation":33,"order":28,"path":93,"seo":94,"status":37,"stem":95,"__hash__":96},"playlists\u002Fpt\u002Fplaylists\u002Fpattern-recognition\u002Findex.md","Reconhecimento de Padrões",{"type":9,"value":44,"toc":89},[45,58,71,81],[12,46,47,48,51,52,57],{},"Essa playlist é o caderno de anotações da matéria de Reconhecimento de Padrões que eu cursei, dada pelo ",[16,49,50],{},"Dr. Francisco Boldt",". Ele é fera, literalmente coda os modelos na mão, ao vivo, na aula, sem slide de fórmula pronta, e agora tá me lecionando ",[53,54,56],"a",{"href":55},"\u002Fplaylists\u002Fneural-networks","redes neurais também",". Se você caiu aqui vindo de uma aula dele, já sabe do que eu tô falando.",[12,59,60,61,65,66,70],{},"Diferente da ",[53,62,64],{"href":63},"\u002Fplaylists\u002Fmachine-learning-specialization","playlist da especialização do Andrew Ng",", aqui os notebooks das aulas são bem mais enxutos: pouquíssima célula de markdown, é o professor codando ao vivo e a gente acompanhando. Então o trabalho de esmiuçar o \"por quê\" por trás de cada linha de código é maior, e pra isso eu uso como referência teórica o livro ",[67,68,69],"em",{},"Pattern Recognition and Machine Learning",", do Christopher Bishop (2006), praticamente uma bíblia da área.",[12,72,73,74,80],{},"Os notebooks vêm do repositório da matéria, ",[53,75,79],{"href":76,"rel":77},"https:\u002F\u002Fgithub.com\u002Fpablobelmiro\u002Faulasml\u002Ftree\u002F2026-1",[78],"nofollow","pablobelmiro\u002Faulasml",", um fork do repositório original do próprio Dr. Boldt, onde ele publica o código de cada aula. Nos posts dessa playlist, quem \"faz\" o código é sempre ele, o professor; a explicação de fundamento, com a metáfora, a analogia torta e o tom de colega do lado, essa é a minha.",[12,82,83,84,88],{},"Cada aula da matéria vira um post aqui. Começamos pelo começo: o mesmo problema de ",[53,85,87],{"href":86},"\u002Fplaylists\u002Fmachine-learning-specialization\u002Flab02-model-representation","regressão linear que já vimos na outra playlist",", só que agora com o código sendo escrito na cara do quadro.",{"title":27,"searchDepth":28,"depth":28,"links":90},[],"Minhas anotações da disciplina de Reconhecimento de Padrões, aula por aula, com o livro do Bishop como base teórica.",{},"\u002Fpt\u002Fplaylists\u002Fpattern-recognition",{"title":42,"description":91},"pt\u002Fplaylists\u002Fpattern-recognition\u002Findex","XpBRgaSNS0YRRtovdqN7u3MdAmbF-PKEJQoOiyOjl-M",{"id":98,"title":99,"body":100,"cover":3,"description":161,"extension":31,"meta":162,"navigation":33,"order":163,"path":164,"seo":165,"status":37,"stem":166,"__hash__":167},"playlists\u002Fpt\u002Fplaylists\u002Fneural-networks\u002Findex.md","Redes Neurais",{"type":9,"value":101,"toc":159},[102,112,129,143],[12,103,104,105,107,108,111],{},"Segunda playlist com o ",[16,106,50],{}," (a primeira foi ",[53,109,42],{"href":110},"\u002Fplaylists\u002Fpattern-recognition","), agora na disciplina de Redes Neurais. Mesmo estilo de sempre: código na mão, ao vivo, na aula, sem slide de fórmula pronta. Se você já leu a playlist anterior, sabe exatamente o que esperar.",[12,113,114,115,118,119,123,124,128],{},"O livro de referência muda: aqui eu uso ",[67,116,117],{},"Neural Networks and Deep Learning: A Textbook",", do Charu Aggarwal (2018), pra fazer o papel que o Bishop fazia na playlist passada, encher de fundamento o que o notebook só mostra em código. Boa parte do assunto também conecta direto com o que eu já vi antes: ",[53,120,122],{"href":121},"\u002Fplaylists\u002Fpattern-recognition\u002Flinear-regression-estimator","regra delta e regressão linear já apareceram lá no Reconhecimento de Padrões",", e ",[53,125,127],{"href":126},"\u002Fplaylists\u002Fmachine-learning-specialization\u002Floss-functions","funções de custo já apareceram na especialização do Andrew Ng",", então sempre que der eu vou puxar esses fios em vez de reensinar do zero.",[12,130,73,131,136,137,142],{},[53,132,135],{"href":133,"rel":134},"https:\u002F\u002Fgithub.com\u002Fpablobelmiro\u002Faulasann",[78],"pablobelmiro\u002Faulasann",", um fork do repositório original do próprio Dr. Boldt, ",[53,138,141],{"href":139,"rel":140},"https:\u002F\u002Fgithub.com\u002Ffboldt\u002Faulasann",[78],"fboldt\u002Faulasann",", onde ele publica o código de cada aula. Mesma convenção da playlist anterior: quem \"faz\" o código é sempre ele, o professor; a explicação de fundamento é minha.",[12,144,145,146,149,150,153,154,158],{},"Um detalhe importante dessa vez: essa disciplina está sendo dada ",[16,147,148],{},"agora",", ao vivo, e o repositório só tem o começo do curso até este momento (perceptron, Adaline, funções de custo, e um gancho bem no limite do que um único neurônio consegue resolver). Diferente da playlist de Reconhecimento de Padrões, que eu comecei só depois que a matéria inteira já tinha acabado, essa aqui é uma ",[16,151,152],{},"playlist viva",": cresce toda vez que o professor publica uma aula nova, e eu volto pra continuar. Começamos pelo começo de tudo: ",[53,155,157],{"href":156},"\u002Fplaylists\u002Fneural-networks\u002Fmcculloch-pitts-perceptron","o neurônio mais simples que existe",".",{"title":27,"searchDepth":28,"depth":28,"links":160},[],"Minhas anotações da disciplina de Redes Neurais, aula por aula, com o livro do Aggarwal como base teórica. Playlist viva, crescendo junto com o curso.",{},3,"\u002Fpt\u002Fplaylists\u002Fneural-networks",{"title":99,"description":161},"pt\u002Fplaylists\u002Fneural-networks\u002Findex","E7qSDm0PDSKcEZo03_C5IczMHfp2NxtLtMpDImcPtBc",{"id":169,"title":170,"body":171,"cover":3,"description":189,"extension":31,"meta":190,"navigation":33,"order":191,"path":192,"seo":193,"status":37,"stem":194,"__hash__":195},"playlists\u002Fpt\u002Fplaylists\u002Fpapers\u002Findex.md","Artigos",{"type":9,"value":172,"toc":187},[173,176,179],[12,174,175],{},"As outras três playlists daqui são estudo de verdade: notebook de aula, livro-texto do lado, cada linha de código esmiuçada até doer. Essa aqui é outra vibe. De vez em quando eu leio um artigo ou survey que me deixa empolgado, geralmente na diagonal, sem ler cada página com lupa, e queria um lugar pra falar sobre ele sem toda a cerimônia de uma aula.",[12,177,178],{},"É isso que essa playlist é: eu conto o que achei mais maneiro do artigo, com metáfora torta, uma zoeira aqui e ali, e sempre que der, um código Python simples e um gráfico só pra dar aquela visão. Não espera rigor de notebook nem cobertura seção-por-seção, o objetivo aqui é papo reto sobre uma ideia interessante, não um resumo acadêmico.",[12,180,181,182,186],{},"Primeiro da série é sobre um assunto que não dá pra fugir hoje em dia: ",[53,183,185],{"href":184},"\u002Fplaylists\u002Fpapers\u002Fagentic-reasoning-for-large-language-models","raciocínio agêntico em modelos de linguagem",", um survey gigante que tenta organizar tudo que virou moda chamar de \"agente de IA\".",{"title":27,"searchDepth":28,"depth":28,"links":188},[],"Leitura diagonal de artigos e surveys que eu achei maneiros, sem a pretensão de virar aula. Código simples, gráfico pra dar uma visão, e a conversa de sempre com você.",{},4,"\u002Fpt\u002Fplaylists\u002Fpapers",{"title":170,"description":189},"pt\u002Fplaylists\u002Fpapers\u002Findex","vdbQsWX-nWs5oIGxtPjwUJoPdxwWZJza7ld2fNeGb0o",{"id":197,"title":198,"body":199,"cover":3,"description":230,"extension":31,"meta":231,"navigation":33,"order":232,"path":233,"seo":234,"status":37,"stem":235,"__hash__":236},"playlists\u002Fpt\u002Fplaylists\u002Fhow-to-build-and-finetune-slm\u002Findex.md","Modelos Pequenos de Linguagem",{"type":9,"value":200,"toc":228},[201,212,225],[12,202,203,204,211],{},"Essa playlist nasce de um livro, não de aula ao vivo nem de notebook de curso: ",[53,205,208],{"href":206,"rel":207},"https:\u002F\u002Fleanpub.com\u002Fhowtobuildandfine-tuneasmalllanguagemodel",[78],[67,209,210],{},"How to Build and Fine-Tune a Small Language Model",", do J. Paul Liu. É um livro enxuto, mais um roteiro de projeto prático com código do que um tijolo teórico, e isso é elogio: cada capítulo já vem com estimativa de custo em dólar, tempo de treino, hardware mínimo. Ver um livro de ML te dizer \"isso aqui custa 50 dólares e leva uma hora\" antes de te jogar num mar de matemática é raro, e eu queria puxar esse fio com você.",[12,213,214,215,219,220,224],{},"O plano do livro inteiro é ambicioso, 12 capítulos que vão de \"por que treinar seu próprio modelo\" até deploy em produção com ética e tudo. Por enquanto eu tô cobrindo os dois primeiros: o ",[53,216,218],{"href":217},"\u002Fplaylists\u002Fhow-to-build-and-finetune-slm\u002Fsmall-vs-giant-language-models","Capítulo 1",", que é a fundamentação de por que um modelo pequeno especializado ganha de um gigante generalista em boa parte dos casos reais, e o ",[53,221,223],{"href":222},"\u002Fplaylists\u002Fhow-to-build-and-finetune-slm\u002Fbuilding-gpt-from-scratch-dom-casmurro","Capítulo 2",", que constrói um GPT character-level do zero, o mesmo exercício clássico do vídeo \"Let's Build GPT\" do Andrej Karpathy (o próprio livro credita isso, sem rodeio). Se render post sobre os capítulos seguintes eu volto aqui, mas por ora é isso.",[12,226,227],{},"Um detalhe engraçado antes de começar: o sumário do livro abre com uma seção chamada \"AI Use Disclaimer\". Ou seja, o autor usou IA pra ajudar a escrever um livro ensinando você a construir IA, e eu uso o tio Claudinho pra escrever esse blog sobre o livro. É IA até debaixo d'água, mas pelo menos ninguém aqui tá fingindo o contrário.",{"title":27,"searchDepth":28,"depth":28,"links":229},[],"Capítulo a capítulo do livro \"How to Build and Fine-Tune a Small Language Model\", do J. Paul Liu. Por que treinar seu próprio modelo em vez de terceirizar tudo pra API, e como montar um GPT do zero até ele imitar Machado de Assis.",{},5,"\u002Fpt\u002Fplaylists\u002Fhow-to-build-and-finetune-slm",{"title":198,"description":230},"pt\u002Fplaylists\u002Fhow-to-build-and-finetune-slm\u002Findex","_exzbaqHjh6UlxGo74Puc6U-Cy4Z12bmsP9snCJ9OUo",1787605212783]