aqui. Já começou. Eu acho que tá com delay para mim do tempo. Boa noite. Confirmem para mim que vocês estão recebendo.

Confirmem no chat. Então, última vez aí só para garantir que tá tudo direitinho, que a gente pode começar.

Alô. Ah, tá vendo? Obrigado. Obrigado. Tem esse delay aí. infelizmente, mas faz parte. Muito obrigado pela presença de todos vocês aqui. Deixa eu só agora fechar. Tá preocupado aqui até o final.

E poxa, já vi que o chat tá animado. Da onde vocês são? Colocando aqui a cidade, quem é aluno, quem não é aluno, quem chegou por onde? Falem um pouco de vocês, só para dar esse tempinho a mais, né, que o e-mail acabou de ser disparado. E-mail aula ao vivo começou agora [roncando] para dar tempo. Então aqueles 5 minutinhos, primeiro dia e deixa eu pegar aqui.

Deu bom. Maravilha. Recife, Fortaleza. Espero que neste primeiro, segundo dia útil, né, após as eleições, as famílias estejam inteiras, as amizades aí o todo mundo destruído em grupo, né? deixa para lá, pelo amor de Deus, política, né? Chega isso daí já em grupos diversos por aí. E eu quase que eu não me toquei, né? Porque eh aqui, enfim, a gente não transferiu o título ainda, né? Então, e tem que viajar para Washington, eu acho que é o lugar mais perto para votar. Eh, eu acabei ficando meio quando eu agendei o evento,

poxa, imagina se tivesse sido no meio da semana passada, né? Com a eleição aí batendo na porta. Não, não, não precisa. Então, graças a Deus, aqui tá tudo tranquilo. Pontal do Paraná, Santo André, Guanambi. Quem tá chegando já pode dar uma curtida aí porque merece, viu? O conteúdo tá bacana, especificamente esse vídeo aqui. Ã, e o tema é interessante, né? Porque essa primeira aula você a gente vai ver sobre a matemática que permitem que permite as máquinas aprenderem. E se vocês forem dar uma olhada boa aqui no canal,

tem uma playlist de uma série de matemática. Aí é conta, né? Eu peguei o iPad, eu fui escrevendo, fazendo conta, rodando código para explicar a matemática a ali por trás e entrando em conceitos desde otimizadores, regularização, ã, a parte probabilística e foi sensacional essa série de eventos. Então assim, muita gente às vezes vai perguntando, poxa, por que o que que essa o que que tem de diferente? O contexto ele é bem diferente para falar a verdade para vocês, porque neste momento, deixa eu só pausar aqui. Pronto,

agora foi. Neste momento que a gente tá, eu percebo que tá todo mundo, né, muito aflito ali e perguntando, pô, qual que é a habilidade que eu preciso ter, o que que eu preciso saber para est no mercado. Eh, e a gente vai ver que a matemática acaba sendo definitivamente eh principal habilidade. Eu tô usando um livro que a câmera não vai conseguir focar. Why machines learn? A matemática elegante por trás da IA moderna. Anil Anantaoami. Livro sensacional, sensacional demais mesmo. Ali eu recomendo para todo mundo, não

sei se tem em português. E este livro, poxa, quando eu comprei ele, ele me incentivou muito a fazer esse evento. Ã, e o grande motivo foi porque ele apresenta a matemática de uma maneira muito elegante e é uma introdução, mas com muita anedota, com um contexto histórico e a gente vai vendo, caramba, quanta coisa, né? E e realmente e a habilidade faz diferença em tempos onde código tá virando cada vez mais commodity. Cara, saber a matemática por trás é importante. Se vocês estão trabalhando numa empresa, já vocês têm

visto, né? Eh, muita gente fala que não tem aberto IDE. Não tô falando que que é certo ou errado, não é juízo de valor, mas os tempos são outros. você, eu por exemplo, não perco mais tempo criando um dashboard, assim, fazendo a estrutura do código básico com string llit ou às vezes executando uma query, uma query específica. Poxa, eu dou o comando para ela sair otimizada, né? Mas [roncando] para plotar gráfico ou para construir uma arquitetura com o py tort. Ã, ali eu vejo num paper aquela estrutura, por tem uma rede

convolucional aqui, eu tenho essa ativação específica aqui, eu tenho dual head, eu tenho duas cabeças ou essa Iolo V8, eu vou ter que colocar além das três cabeças que ela faz com os stride diferente, eu quero incluir um P4 que tem um stride menor, porque eu tenho um erro muito pequeno, eu tenho uma falha numa peça, por exemplo, que a minha iolo não tá pegando. E você precisa da teoria para saber disso, você precisa da matemática, mas o código, se você sabe guiar cada vez menos, né? E não tem muito para onde correr,

não adianta ser negacionista ali [roncando] da tecnologia. E eu também tenho uma série boa aqui de matemática, inclusive com a professora Dra. Juliana, que [roncando] eh foi uma conversa sobre a importância e você vê o arcabolso que a matemática ela te dá e a gente vai ver a motivação. Mas se tem tanta gente aqui, eu tenho certeza que vocês sabem da importância disso. Em tempos onde as pessoas estão produzindo conteúdo raso demais, né, somente tutorial, cara, o Fable ou o Astra, eles me geram coisas visualmente bonitas,

arquitetura bonita. Onde tá o diferencial? diferencial tá na no meu conhecimento de casos de acompanhar o estado da arte das pesquisas acadêmicas e da base matemática. E a base matemática é uma coisa que eu vou construindo no dia a dia. E aqui tem uma novidade. Vocês provavelmente se inscreveram lá no começo e vocês tinham três aulas e eu fiquei muito triste, né? Porque ô, poxa, a principal aula no momento que a gente tá vivendo agora, cara, parece que tudo, todo mundo vai ser substituído pela IA, todo mundo vai ser

todas as profissões. E eu resolvi incluir uma aula nova no domingo. Então, não são mais três aulas, pessoal. Tem certificado de conclusão. Vocês vão receber todo [roncando] mundo que tá inscrito no evento. Quem não se inscreveu, o link tá na descrição do vídeo aqui. Ã, todo mundo que tiver inscrito vai gerar certificado com a carga horária, né? Vou [roncando] colocar aqui em nome da Star Consigmel. H, aqui pelos Estados Unidos. Então, vale a pena pela dedicação de vocês. Eu agradeço, né, pela inscrição. Então, ten

uma aula mais e essa aula quatro, especificamente, poxa, se eu tivesse uma aula que eu falo para vocês, não faltem de jeito nenhum. Eu sei que tem feriado na sequência, mas eu vou pegar a parte da matemática de uma maneira tão intuitiva. E tá cheio de coach, de a nada contra os coaches, né? Mas Deus me livre. Hoje em dia eu falo: "O que que você trabalha?" Aí a galera, caramba, então você faz prompt. Não, não. A gente já tava estudando e o mecanismo de atenção, attention iss all you need, paper. Depois uma imagem vale

mais do que 1000 tokens de palavras ali dentro da Deep Mind. Todos os estudos que saíram, a gente tava acompanhando desde o começo. E eu vou trazer de uma maneira intuitiva, até para jogar um pouco de luz, né? pensando no mito da caverna de Platão ali, cara, a gente repete muitas coisas igual papagaio e a Ia vai substituir, a Ia faz tudo. Poxa, para que que eu tenho que fazer saturado o mercado, cara? Para que tá saturado? [roncando] O mercado tá saturado muito para júnior, cara. Eu vejo, na verdade, isso é uma coisa

que a gente vai falar depois, só que aí tem uma coisa diferente. Ah, o profissional, o mercado tá sem gente que domina, porque um cara que tá eh, sabe, acompanhando o CVPR, o Neorips, acompanha o estado da arte, o cara que ah, desculpa, aí sim, Diogo, o mercado tá saturado de coach, pô. A galera fala nada contra, cara, mas o pessoal fala muita grosélia e são aqueles tambes. Eu publico pouco no canal, né? Mas eu prefiro publicar conteúdo de qualidade, como é coisa que que impacta na carreira do que ficar fazendo aquelas

thumbs assim, ah, aquela cara, sempre tem aquela cara assustado, né? O fim agora, morreu, a profissão tal. Não, não, não faz sentido. E quando você entende o que tá por trás, cara, o, a minha esposa, ela, ela tem longas sessões terapêuticas praticamente e ela confia cegamente no no claw ou no cloud ou no chat EPT. E são modelos probabilísticos cuspidores de token cada vez melhor, com harness, com conceitos ã de loop, tudo que vai aparecendo, mas são modelos probabilísticos que eles vão gerar uma probabilidade para

você, vão aplicar uma função soft max

atenção. E o mecanismo de atenção aí te também faz você entender por que uma máquina nunca vai substituir o ser humano. Além de toda a questão da criatividade e inteligência, a máquina ela mimetiza os nossos comportament elas não, ela não tem inteligência real, filosoficamente falando, ela mimetiza, mas você vê que o mecanismo de atenção, a maneira como ele ele identifica o contexto e ele atribui os pesos, cara, a máquina ela tá gerando o próximo token. Um ser humano, ele tá pensando numa solução de engenharia, numa

solução de um problema. Ele tá pensando no final enquanto ele nem começou ainda, cara. Eh, isso muda muito. Quando você conhece a arquitetura, você vê que, cara, tem um limite. Eu uso para caramba. Eu eu tenho contas aqui, tem projeto, a a empresa, tudo. Eu tô rodando com com todas as via. Eu tô sempre testando harness, criando framework, mas eu sei a limitação dela e principalmente quando são problemas reais ali, principalmente nas habilidades. Então, assim, teremos esses dias. Não percam, todos são ótimos. A aula

dois de amanhã, a gente vai entrar numa coisa que poucos cientistas de dados conhece, tipo esta primeira aula é um nivelamento, a gente tá tranquilo, todo mundo aqui chegou do zero, muita gente às vezes não lembra a matemática do ensino médio e e é legal essa aula aqui. A gente vai quebrar um gelo. Para quem tá lá no grupo de WhatsApp, eu vou passar referência de livro, vou passar playlist com com um conteúdo mais avançado de conta, vai fazer derivada e parcial, vai fazer integral, alguma, poxa, vai ver transformada

de furrier, tem tem para todos os gostos, né? Mas essa aula aqui, fiquem tranquilo, é um nivelamento para trazer e perguntar o livro Why machines learn, porque as máquinas aprendem. E da anil an tau a matemática elegante por trás da IA. Mesmo para quem já tem experiência sior, eu recomendo demais este livro aqui e ele me inspirou a fazer este evento, certo? Ã, como eu tava falando, hoje a introdução, a matemática da incerteza, a gente entra na parte beisiana. probabilística e que pouca gente aprende, as pessoas tendem

a parar às vezes aqui no começo. A gente fala um pouco de visão computacional e a cereja do bolo, como o chat, GPT e o cloud funcionam para você parar de seguir os coachs, eh, que são os cavaleiros do apocalipse, né? Por favor, não siga. Então, o que que acontece? Grupo de WhatsApp, eu vou colocar para quem fez a inscrição. O nossos dois, três primeiros grupos lotaram, eu não tive tempo de escrever eh de mudar na hora o último grupo, né? Então, se você por algum acaso se inscreveu no evento e não tava recebendo não

recebeu, não conseguiu entrar no grupo de WhatsApp, cara, aqui tá o link no chat para você entrar nesse grupo. Todo material, slide, laboratório, animação, recomendação de livro. Cara, quem participou dos outros eventos gratuitos sabe que o material é é bom para caramba, né, que a gente tem. E aqui nesse dia a gente vai ver como o texto se divide em token. A imagem ela também ela tem essa questão de tokenização. Como que ela recebe uma representação numérica? O conceito de álgebra, que coisa sensacional. O como que

uma imagem e um texto, eu jogo eles para um mesmo espaço latente e por comparação simples. Pessoal, matemática para boa parte, como a gente vai ver até uma anedota do Ilia da Open AI aqui, quando ele foi e para fazer o PhD dele, ele falou: "Cara, a matemática que eu preciso pra maior parte das coisas é uma matemática simples". Simples demais. a gente compara similaridade de texto e imagem assim com magnitude, com tamanho, com ângulo, com seno, tudo que a gente aprendeu no ensino médio. Então assim, se você tá envieszado

achando que, caramba, a matemática é extremamente complexa, pro começo e pra maior parte das coisas, não, mas é uma evolução. a gente constrói uma base e vocês não vão se arrepender demais, não vão se arrepender de jeito nenhum deste conhecimento, principalmente porque essa primeira aula é uma aula muito gostosa, porque essa primeira aula aqui é ela entra muito na história. Então, se vocês às vezes estão acompanhando por aí, tipo, já fizeram algum determinado curso, cara, você já viu a parte da matemática, mas eu sou

muito favorável. Falo pros meus alunos que você tem duas maneiras de estudar uma coisa nova ou de aprofundar num conceito. Você estuda data science, não é ciência propriamente dito, né? Se a gente pegar metodologia científica para enfim, a a eu não posso considerar ela ciência porque eu tô usando dados em diferente, mas enfim, eu posso estudar o objeto ou eu posso estudar a linha histórica e recomendavelmente eu falo, estude as duas coisas. Se você tentou já, por exemplo, aprender visão computacional e você começou

em 2026, você tá perdido porque você não sabe o que que você tem que fazer. Cara, todo mundo fala de agente de A e a, mas eu tenho Transformers, eu tenho arquiteturas convolucionais, eu tenho ã autoencoders e você não entende como que aquilo se encaixa. Quando você vai pegando lá na história e você entende, por exemplo, fazer um flashback rápido ali, pô, eu vou começar a estudar visão computacional e tudo é estranho, mas quando eu vou ver a história, não que eu tenho que implementar todos os modelos, mas eu vejo os

desafios da Imaginete, a dificuldade que tinham com redes densas para elas identificarem um objeto, classificar um objeto numa determinada imagem. E aí você vem a arquitetura. Eh, primeiro você tem o Yan Lecum com conceito de convolução de rede neural convolucional. Depois você tem a AlexNet ganhando a o concurso da Imagnet. Você tem a VGGNET, aí você vê que poxa, não adiantava eu adicionar mais camadas, eu perdia a informação no meio do caminho e porque ou ficava muito pequeno ou muito grande, eu não tinha precisão

de float para isso. Aí eu entro o conceito de resnet, residual networks. Você vai vendo a evolução. E backbon de classificação, a gente tem os modelos daí de detecção e de segmentação. Cara, [limpando a garganta] que legal. Aí a gente vai vendo tudo isso. Então, pois bem, estudar história muito importante e eu recomendo. E a nossa história do do machine learning, vamos falar IA. Quando eu falo IA hoje em dia, inteligência artificial, normalmente as pessoas estão falando de large lang e large language models, os grandes

modelos de linguagem chat, GPT, que que hoje são modelos fundacionais, multimodais. Então a IA dentro do campo, né, a gente tende a se referenciar dele dessa maneira. E o machine learning eu tenho uma questão específica. Eu boto no final salmo, só para eu não tirar o slide agora. Perfeito. Só para eu não perder aqui rapidinho. Mas eu coloco ã o Qcode. Eu não preparei ele. Eu já boto ali no final da aula, eu deixo aqui no chat, eu altero a descrição também, mas senão é só pegar na descrição aqui, se inscrever. A página

de confirmação da inscrição, ela já tem o grupo de WhatsApp, tá? E o e o link do grupo da página de inscrição tá aqui. Então, se inscreveu, a página de confirmação já tem o link do grupo de WhatsApp. Então, [roncando] assim, machine learning é o tema principal de hoje. Tranquilo? 8 de julho de 1958, a gente começa essa nossa jornada e para uma notícia que saiu lá no The New York Times, que ele trazia, apresentava um dispositivo que ele tava ligado a um projeto da Marinha dos Estados Unidos, certo, pessoal? Eu vi que

tem muita gente então que não tá conseguindo. O que que eu vou fazer? Este link que eu passei para vocês não tá abrindo. Deixa eu ver aqui no chat. Ele não tá abrindo. Deixa eu ver.

Tá. O que que eu vou fazer? Chega por e-mail também. Chega por e-mail. Eu vou pedir pro meu chat GPT eu trocar aqui, ó. colocar na descrição, coloque na descrição do vídeo da aula um o grupo de zap. Cara, eu pedi pro chat EPT, então daqui a pouco ele vai atualizar também na descrição do vídeo, tá? Eu informo vocês aí, mas vamos me ir mantendo atualizado. Abriu. Maravilha, maravilha. Tranquilo. Legal. Então, 1958, um projeto ligado à Marinha dos Estados Unidos trazia essa novidade. U, new name device learns by doing.

Então, eu tenho um uma um device, eu tenho um aptrecho que ele consegue aprender com a experiência e a promessa, cara, a gente tá falando de 1958, já chamava muita atenção, só que quando você pegava aquela reportagem, ela ia descrevendo a expectativa de que aquela tecnologia que tinha sido desenvolvido naquele ano, naquele momento, ela ia permitir robôs andarem, falarem, enxergarem, escreverem, reproduzirem eles mesmos, como se fossem seres humanos, e terem consciência da própria existência. E essa questão de consciência

é interessante. A gente pensa que essa discussão acabou em 1958. Vejam a discussão do Amode, da Antropic, do Cloud, com o Papa, né? O Papa criou o grupo lá para se discutir a consciência e máquinas pela filosofia eh tomista. Você pega ali são Tomás e que você traz também tipo essa noção de que a máquina não pode ter consciência. E o pessoal da Antropic quer que o Papa reconheça que máquinas podem ter. Cara, a discussão vai longe e não é o tema nosso, mas você vê consciência da própria existência. O pessoal tava falando

sobre isso lá em 1958. Ã, para um leitor que pegava aquele jornal, naquele momento, a gente teve a Segunda Guerra Mundial acabando em 45, 39 a 45. a gente entra já num período que que poxa, ã, Guerra Fria e um computador já era uma realização extraordinária. Só que a notícia que você tinha que a distância entre calcular e tornare um ser autônomo estava quase que desaparecendo. E quem que era o nome que tava por trás disso? Frank Rosenblat. Então, Rosen Blat, infelizmente, já falecido, acho que ele faleceu eh nadando

[roncando] ou no Rio, alguma coisa assim, não num numa situação trágica, e ele desenvolve uma proposta chamada Percepton. E o Percepton, ele foi financiado pelo escritório de pesquisa naval. Na apresentação que ele fez pra pra imprensa, foi realizada no dia anterior à publicação, cara, eles tinham uma simulação em um IBM 704. Segundo um relato histórico que eu tirei aqui das fontes do livro da lá em Cornell, Cornell University, a tarefa consistia no seguinte, cara, eu vou mostrar cartões e a máquina consegue distinguir

cartões que t uma marquinha à direita ou uma marquinha à esquerda. Certo, cara? Até pra gente aqui, né, quando eu olho hoje em dia parece uma coisa simples, mas ele prometeu muita coisa, ele falou de tudo que poderia ser. Então, os exemplos eram simples e o sistema ele passava cada vez mais, conforme ele ia errando, a melhorar a classificação, cara. Então, eu tinha extinguir a posição de uma marca e a máquina que para quem tava ali na imprensa, cara, uma máquina consciente, está vendo alguma coisa e fazendo uma classificação.

Ã, e eu tinha alguma coisa preciosa ainda. Isso é legal pra gente entender o contexto histórico. Esse experimento, ele permitiu estudar um procedimento em que os meus exemplos eles iam alterando o comportamento de um sistema. Então, se eu perguntava, eu podia perguntar o que que mudava e eu ia acompanhando a consequência da mudança. OK, a gente entende então o que que é hoje, mas qual que foi o problema? O problema é que essas coisas não se mostraram. Mas antes de falar o que que deu errado e o que que deu certo, pegar

o contexto do Frank Rosenblat, que todo mundo cita, todo mundo fala, e ele era psicólogo. E esse detalhe é legal pra gente entender o que que ele tá procurando, porque o problema básico ele tinha de percepção. Então, o que que ele tava procurando? percepção, como um organismo ele passa a distinguir alguma coisa do mundo real e como a experiência ela vai participar disso. E ele tinha estudado com James Gibson, que era uma referência importantíssima ali na pesquisa de percepção visual, certo? Lá no laboratório aeronáutico

de Cornell, eh, em búfalo. Em búfalo. E ele aproximou essa formação de uma pergunta que podia ser investigada com número. Cara, será que é possível construir um sistema que ajusta a resposta conforme ele vai receber no exemplo? e o financiamento tava usando, eh, permitindo aquilo ficar viável. Certo? Legal. 58. Rosenbla. Então, ele associa a proposta com uma capacidade de pensar como cérebro humano. E a frase que saiu e vocês vão entender um hype. Eu vou chegar nesse link com o momento que a gente tá agora. O pessoal

tem um hype e tudo vai acabar, todas as profissões vão acabar. Aí o capitalismo acabou, eu não sei como que se gera riqueza, eu não sei como que a gente paga as coisas, porque psicólogo vai acabar. Eh, coach vai acabar. Coach não, coach vai est vendendo curso de coach, mas o o contador vai acabar, o desenvolvedor vai acabar, cientista de dados vai acabar. cara, assim, eh, o hype que a galera tá em cima de hoje é por desconhecer a Não que não seja poderoso, claro, mas as pessoas que também estão exagerando ou elas têm

uma maldade, normalmente a ignorância da limitação. E quando Rosen Blar lá em 58 ele falou pro jornal que é o primeiro dispositivo a pensar como um cérebro humano humano, exatamente nessas palavras, eh, as pessoas elas começaram a levar aquilo sério que ia fazer uma exploração espacial legal. Então assim, ele tinha uma aspiração enorme, realmente, só que a tarefa que a gente vai acompanhar, ela vai ser um pouco menor ali. Este é o cenário que eu gosto de comparar e que o autor Waniel ele coloca no livro também, Why

Machines Learning? Porque eu tenho sim uma ferramenta que ela demonstra capacidades que não existiam antes, só que eu tenho as pessoas ali às vezes desesperadas, sem saber o que vai ser do futuro, como que vai acontecer para elas. E o spoiler é que a matemática se torna cada vez mais relevante. A gente vai chegar na importância da matemática em que momento, Carlos? Vocês vão acompanhando essa história, mas eu digo para vocês, se você não conhece a ferramenta que você tá usando, você tá muito fadado a cair nessas teorias

conspiratórias e você não fazer uso. Cara, o mercado ele tá muito fraco. A verdade é que o problema que a gente tem hoje é que para quem é júnior, normalmente, se o júnior ele fica nas atividades de júnior, isso a IA faz bem, eu construo dashboard, só que a IA ela tem um batente e é nesse batente que a matemática ajuda. Tranquilo? A gente vai chegar nisso conforme a gente vai desenvolvendo durante essas quatro aulas. Mas na neste agora, o que que a gente tem? Voltando ao experimento de Rosenblar, por o tema dessa aula

é como que as máquinas aprendem, qual é o conhecimento de vocês. Eu queria que vocês colocassem no chat para eu entender o que vocês sabem de aprendizado de máquina, como que as máquinas aprendem. Você sabe responder isso ou não tem problema? Para muita gente é mágico você falar com o chat GPT e ele te responder ali, mas você sabe como que a máquina ela consegue falar uma resposta, como que ela chega a uma conclusão? Coloquem o nível de vocês, se vocês já trabalham com machine e learning e podem colocar também, inclusive

a importância, tá? O que que eu quero dessa aula? Cara, essa é uma aula introdutória com contexto histórico porque é gostoso, né? E tipo para fazer o nivel, mas pensa assim, seja o chat GPT te dando resposta, seja você batendo uma foto no seu iPhone e você segurando o dedo em cima da pessoa e ele conseguir recortar, ou ele identificar a cara de uma pessoa, ã, ou eu vagem aérea e cada hora que eu abro num equipamento, eu abro num Android velho, abro no iPhone 17 Pro Max, o preço da passagem ou do booking é diferente.

Ou quando eu peço um Uber e eu tô acabando a bateria, pode ter uma heurística, por tá aqui que é uma heurística, uma coisa mais certinha, baseada em regras, mas o ponto é, vamos olhar na ótica de machine learning. Machine Learning, a gente permitiu a máquina aprender. Então, este é o ponto. Considera nesse quadro aqui. E a gente tá voltando lá na época do Rosenblar, eu tenho ponto azul e eu tenho ponto amar. E eu quero classificar coisas como olha, este meu e-mail é spam ou este meu e-mail não é spam. É o problema

da Google, é o problema da do Hotmail. Alguém ainda usa Hotmail, mas é o problema que eu tenho. Este é um problema onde eu quero definir uma reta que separa e-mails que são spam de e-mails que não são spam. E de uma maneira simplificada, eu poderia pensar, eu quero que a minha máquina aprenda a separar tumores benignos de malignos. Perfeito. OK. O computador imagina que ele vai receber uma coleção de exemplos. Então assim, se eu quero construir um modelo para prever doenças cardiovasculares, eu pego um paciente e esse

paciente ele tá passando a idade dele e eu tô vendo a frequência cardíaca dele em repouso, eu tô tirando várias métricas e às vezes cruzando com exame de sangue e eu olho, eu, poxa, eu sou um médico e o meu hospital ele tem o histórico de 20.000 1 pacientes no passado, que eu sei se eles tiveram doença cardiovascular, problema no coração ou não. Então eu quero fazer isso, eu quero jogar esses dados que eles têm esses rótulos e perdi pra máquina. Então assim, se eu peço para alguém vocês desenharem uma linha, a gente

consegue dar uma solução humana, só que eu preciso de um procedimento que a máquina ela não tá enxergando. E quando eu tô vendo as coisas, eu tô pensando em uma, duas variáveis, cara. mundo real, ele é muito mais complexo do que isso, né? Então, este desenho tem uma dificuldade que a gente tem que retomar e a gente vai ver daqui a pouquinho, mas que ter um procedimento porque visualmente eu entendo. Deixa eu só pegar minha folha que ela voou aqui. Eu trago. Pessoal, eu sou analógico para estudo. Quando vocês pensam,

cara, todas as anotações que eu preparo, é tudo no papel, porque senão o nosso cérebro fica naquele brain root e você fica copiando e colando, você não aprende, de fato. Então eu falo pro pessoal em tempos de como que eu volto a ter capacidade de memória? Como que o meu cérebro fica desacelerado, cara? Papel e caneta, livro físico para mim tem ajudado tremendamente ali, certo? Então legal. Então, o que que acontece quando eu pego? Eu tenho que descobrir um procedimento que me permite representar exemplos por números

e descrever os efeitos de mudança. E pode parecer que tudo foi descoberto agora. Quando eu falo que temos hoje uma, cara, se eu uso chat GPT, se eu tenho um modelo da Netflix que me recomenda filme, se eu tenho um carro que dirige sozinho aqui na Tesla, é porque eu tenho uma matemática. Cara, é matemática. Ponto. É matemática estatística. Vamos colocar matemática o nome ã probabilidade estatística. Sim, tudo isso, tudo isso. Mas eu eu vou vou generalizar aqui. Perdoem os puristas, né? Mas eu vou trazer o nome a matemática

que tá por trás. E você tá pensando quando que surgiu ou quando surgiram essas matemáticas, essas técnicas que agora sim a máquina pode aprender. Pô, pode, cara, faz 10 anos, 20 anos. Na verdade, a ferramenta que permitir a máquina aprender aqui é uma reta. Agora, tem coisa que eu não conseguiria visualizar, problemas extremamente complexos. A ferramenta para eu conseguir ensinar a máquina a fazer esse tipo de classificação, a trabalhar todos esses tipos de problema, elas surgem muito antes da ideia de alguém cogitar

em saber o que é um computador. Então assim, pensa num problema de quantidade. Você conhece o total de uma compra e você quer descobrir quanto que cabe em cada item. com uma relação apenas talvez sobrem possibilidades. Eu tenho outras relações que vão ajudando a determinados valores. Eu tenho um livro chinês conhecido com os nove capítulos sobre a arte matemática e no livro eh ele já descrevia procedimento para sistema de equação com números representados por vara de contagem. Eu tenho uma ligação histórica da forma

de organizar então os cálculos que muito século depois eu precisar eu eh participariam da álgebra linear moderna. Só que a matemática que ela vem, e eu fiz uma confluência aqui, ó, no livro ele até coloca, cara, o os eventos de aprendizado de máquina, eles são explicados pela elegante matemática e algoritmos que eles foram energizados por meio de pesquisa. Então assim, eh, matemática e ciência da computação e pegando um pouco da física, pegando um pouco da química e pegando um pouco da neurociência, um pouco de tudo.

E eu vejo, por exemplo, Newton e Libnits, século X7, eles envolveram o cálculo, o cálculo independentemente. Aqui na imagem eles estão juntos, mas eles de maneira independente desenvolveram o cálculo. Olha, todas essas ferramentas são ferramentas que não apenas, não somente C, mas que elas permitem máquinas aprenderem. Cara, a máquina prende então porque elas estão no ombro de gigante. Então, Newton Lipnets e século X7, cálculo. E a pergunta central do cálculo era como eu descrevo mudança, né? Se eu tenho uma variação,

uma velocidade de um corpo tá variando ou se uma inclinação ela tá mudando. Eu preciso de uma linguagem que torne essa variação precisa. tudo para resolver problema. Eu pego base. B base eu tinha dificuldade de inferir alguma coisa a partir de informação incompleta. Agora eu observo algumas coisas eh e eu tento avaliar o que essa observação sugere sobre uma determinada hipótese. E a gente usa a função que a gente tem daí no machine learning, no aprendizado de máquina. Quando a gente ensina a máquina a aprender, ela

vai ter uma função hipótese. Hipótese com um parâmetrozinho teta ali, né? E essa maneira de raciocinar. Então, eh, vai ter um papel enorme nos modelos probabilísticos. Eu também tenho, poxa, eu vou pegando, cara, com Gaus, a cena que se aproxima, aproxima do problema dos erros e eu vou usar como eu organizo essa informação, como que eu estimo alguma coisa, e o estudo da variação e dos erros que ajudou a formar ferramentas que elas atravessam a estatística. E nenhuma dessas pessoas estavam tentando construir o aprendizado

de máquina. Cara, eu acho muito triste quando as pessoas falam: "Pô, para que eu vou estudar matemática, Carlos, se eu não vou usar na minha carreira?" cara, tipo, você tem dois tipos de estudo. Você tem estudos diários, tipo, vamos lá, o que que o pessoal estuda? Eu tô estudando um livro prático com tutorial de porte. Ou eu tô construindo um small language model do zero, porque eu quero aprender compai, etc., tocanização. Ou eu quero aprender rust agora. Pô, cara, que legal. Para o topo. Levanta sua imagem para o

topo. Eu estou atrapalhando, cara. Eu vou posso diminuir a minha cara aqui. Eu acho que o conteúdo ele é mais importante. Eu vou diminuir, pessoal, porque eh eu não posso não aparecer, né? Eu acho. Mas se vocês não ligam, então assim, eu Você tem o estudo que te prepara para uma vaga. A empresa tá pedindo a WS, tá pedindo a Zure, tá pedindo Machine Learning System Design, que você vai ter um estudo de caso ou que você tem que ter trabalhado com, não sei, com AI eng, cara, ferramenta, você se prepara profissionalmente

para aquilo, só que você tem um outro tipo de estudo que ele vai à vida inteira. Cara, a gente estuda, as pessoas elas estudam para entrar num emprego, para passar numa vaga ou quando a empresa matricula ela num curso. Cara, o conhecimento da mat Ah, Carlo, mas não vai no currículo, não pede derivada, não pede integral, não pede otimizadores, conceito de aproximação, séries de Taylor, ã, não pede números complexos, claro, mas se você não tem esse conhecimento, cara, não tem como você ser um ótimo profissional. A parte

boa é que hoje em dia a informação tá em tanto canto, né, que que você tem como aprender matem. Ah, foi um péssimo aluno, não tem problema. A escola a gente aprendeu, foi treinado a passar em prova. Ninguém aprende. O pessoal sai às vezes sem regra de três, mas você tem fonte. Agora, o estudo da matemática, o estudo da base, poxa, é a analogia da, vamos pegar construir aonde? Em cima de da areia ou de rocha, né? E analogia é ótima, independente do conceito religioso, porque se eu só estudo a parte de cima, eu tô fadado

a não ser um bom profissional. É o fracasso. Por quê? Quando você vai resolver um problema, meu amigo, você tá lá, o chat GPT ele é probabilístico, ele tem um contexto limitado, ele vai te dar a solução óbvia que ele foi treinado. Agora, aquela matéria que você aprendeu de metística, de algoritmo evolutivo ou aquele conceito de pesquisa operacional, onde você fez uma aproximação dos do eh do número contínuo pro número discreto, pô, te dá um insight, aquela estrutura de dados que você tem que ordenar seu sistema tá

lento. Você não sabe por quê, porque você tá dando um sort ou um sorted ou você tá e com uma complexidade computacional. N quadrado. Eh, e você teria uma estrutura de ponteiros ou você tem uma estrutura que você não aloca a memória. Cara, esse é o conhecimento que você constrói ao longo da vida. Um bom profissional é o cara que tá estudando para caramba. Matemática você estuda pra vida. No grupo eu vou recomendar os dois principais livros e também a recomendação da Dra. Juliana, PhD, aqui pela NC State, que ela deu

uma sugestão sensacional para quem tá aprendendo do zero, inclusive, né? Mas o fato é, você não estuda para entrar numa vaga, mas não tem como, cara. Se você acha que tem como, me desculpe. Ah, mas tá fulano, cara, tudo bem, você pode pegar exemplos isolados, mas uma construção de uma carreira sólida, você não chega e sem a parte boa é que no começo a matemática é tranquila. Então, sem fundamento não vai longe. Você, ah, Carlos, eu tenho síndrome do impostor. Não, às vezes você pode ser um impostor. Provavelmente você

é um impostor. Não no sentido pejorativo, mas que você não parou para estudar o que você deveria. Porque as pessoas são imediatistas. Eu tenho uma live falando sobre isso. Eu quero estudar o que a vaga tá exigindo, a tecnologia daquele momento. Para que que eu vou parar, pô? Não lembro nada de funções. Vou pegar Gelson y os 10 volumes, 11, 12. Tem estatística agora, né? É. Para que que eu vou estudar se isso não é imediato? Percebam, é mudança de mentalidade. matemática é obrigatório, cara. Então, assim, toda essa

matemática desenvolvida ao longo de séculos é o que a gente usa, não apenas elas, né? Mas eu até reuni aqui para vocês, não é exclusivamente, por quando eu peguei aqui, ã, por exemplo, machine learning, algoritmos que dependem de matemática simples, OK? álgebra elementar, cálculo em algum momento, eh, teorema de base, o teorema de base, né? Probabilidade estatística, Gaus para saber aquela distribuição, álgebra linear. Cara, eu tenho muita contribuições de muitas áreas diferentes, só que ã eu resumiria, talvez alguém

tenha opinião diferente, mas álgebra linear tem que saber. A matemática não é matemática tudo que não. A gente divide matemática, tem algumas áreas, né? Mas álgebra linear é uma área, cálculo é outra área. Aí eu tenho a probabilidade estatística e eu tenho a otimização. Isso é o que a gente precisa saber. Se você tem um plano de estudos, poxa, se programa para em um ano você aprender a matemática. Você pega um livro, que é o que eu vou passar no grupo, e eu não vou conseguir mostrar ele na tela, acredito, porque tá

com blur. Mas Mathematics of Machine Learning do eh Tivadar Danca, que tem um perfil muito bom ali no X. Quem anotou, coloca o nome pros colegas aqui ou pega o link do grupo. E esse daqui, Mathematics for Machine Learning. E aí, o que tá? Esses dois livros eles são o começo, porque como que você estuda e você tem uma carreira? Cara, nem era um tema, né, que eu ia pegar aqui agora, mas aproveitando o ensejo, você pega um livro desses, o do Tivadar, ele é mais basicão e ele tem código em Python para você acompanhar os

conceitos. Eu prefiro esse daqui do Mark Peter Zyrot, é Aldo Faisal e Cheng Song OG. ele é mais denso, o problema é esse. E aí você vai seguindo capítulo a capítulo ao longo de 2 anos. Aí quando você do nada tá lá no capítulo de álgebra linear, cara, você vai travar em algum momento, cara. E aí você tem que fazer o quê? Você vai correr atrás desse conceito e se virar. A, o estudo é assim e não tem como você assumir que você vai ser bom se você não assumir que às vezes é chato estudar. Pô, é chato e é cansativo. E a

estudo da matemática, eu até peguei uma dica, né, que o autor coloca no livro, ã, pegar aqui, olha, nós onde tá aqui, ó, matemática aqui, ó, o processo gradual de aprendizado. Tem um livro muito bom para quem gosta de livros. Is math real. A a matemática é real e o autor ele coloca o processo de aprendizado da matemática. A matemática não, você não vê o resultado no dia a dia. Por isso que as pessoas elas se frustam, por isso que tá cheio de gente mediano, por isso tá cheio de gente que não tem conceito. Porque eh

é igual o eu tenho uma confluência de coisas que eu vou aprendendo ao longo da vida e cara, eu não sinto, mas quando eu preciso esse conhecimento tá lá. Por aí a diferença da máquina. A máquina tem um contexto, tu carrega sua psique inteira, cara. Todas as suas experiências de vida, tudo que você já aprendeu desde a escola, aquele detalhe às vezes ele vai vir na solução. A criatividade é isso. E a criatividade depende da minha experiência. Isso não é treinável na máquina. Mas então, assumam isso, coloquem num papel,

cara, tragam papel e caneta todas as aulas, podem pegar aí. Mas o insite é esse, pô. A matemática ela é um aprendizado, você não vê e você só sabe que aquilo ajudou quando você precisou, em determinado momento vem do nada. Então aceite. Até nesse SMTH Real ele coloca: "Aceite o pequeno desconforto intelectual, porque é desconfortável estudar matemática, porque as coisas elas não são recompensadas naquele momento." Perfeito? Então essas são as primeiras áreas. Ã, talvez só otimização, né? otimização é um campo específico.

No livro do dois livros de matemática que eu mencionei, ele fala bastante sobre isso. Então assim, ã, o que que acontece? Olha que uma coisa legal. Quando a gente pensa que matemática é difícil e pode ser difícil e vai ser difícil e é muito difícil, mas no nosso contexto vai pro cientista de dados mediano, mediano que tá ali no meio, não mediano, pejorativamente falando de jeito algum, mas pra maior parte das pessoas o que você vai executar no dia a dia é uma matemática simples. E por exemplo, a história do Elias Suver,

né? cofundou a Open AI do chat GPT e ele ajuda, essa anedota ajuda a gente a entender um pouco a surpresa dele quando ele foi ver os papers, porque ele foi atrás de nada menos, nada mais do que o Grodfred Hinton, né? O o Jofrey Hinton. Joffrey Hinton, inclusive é um dos maiores nomes que a gente tem e ele já era famoso, mas você imagina o próprio Ilia, ele ele contou, né, pro autor desse livro Why Machines Learning, que quando ele foi atrás lá na Universidade de Toronto, atrás do Jofer Hinton, ele queria trabalhar

e o Hinton deu alguns artigos para ele ler e entregou e ele levou para casa e ele ficou abismado e ele chegou, cara, eu tava lendo aqueles trabalhos de aprend de de deep learning e ele encontrou conceitos que pareciam relativamente simples diante de outras coisas que ele tinha visto na formação dele. Ele vem de uma formação da física, da matemática, que é um curso que a gente sabe que a taxa de desistência é altíssima e esses conceitos tinham um alcance que impressionava. Então é uma experiência que acontece quando

a gente começa a estudar um mecanismo. Você vê a capacidade, cara, boa parte da matemática é equação da reta. No começo, equação da reta. Aí você aprende uma derivada de um jeito aplicado e você entende, cara, aquilo é simplesinho. O que que significa fazer a derivada para encontrar o o máximo ou o mínimo da minha função? Ã, então ele coloca isso e é a sensação que vocês têm que ter. É uma história. Claro, o Ilia ele tem uma tremenda, o cara cofundou a Open AI, eu concordo. Mas dadas as nossas devidas limitações e

proporções, quando a gente se compara a ele, boa parte do que a gente vai ver no começo é matemática simples. Se você aprendeu, não aprendeu nada no ensino médio, não tem problema. A maior parte das pessoas não aprendeu nada. A gente fazia prova. Só que não é desculpa agora que a gente tem curso para caramba. Só que matemática também não é jogar no chat GPT e pedir um resumo, né? você tem que fazer alguns exercícios na mão e eu volto, cara, vamos voltar para analógico neste momento. Então, ã, e a gente pode fazer algumas

contas bem simples, só pra gente entender. Claro, eu não quero ser extremamente simplório, mas a gente vai fazer alguns exemplos aqui básicos para essa aula de inauguração, OK? A matemática que eu preciso, ela é simples, então, neste começo. E mesmo assim, quando eu vejo aquelas equações ou quando eu vejo aquele símbolo sigma ou eu vejo aquela integral, cara, boa parte você não tem que saber resolver, mas você tem que saber interpretar o que significa. E quando você começa a botar uma rotina de estudo diário, ou pelo

menos quatro, cinco vezes por semana, uma horinha, 45 minutos, no final de um ano você vai estar num nível que você vai se surpreender, certo? Mas antes de a gente dar o exemplo, já que vocês estão vendo esse contexto histórico, cara, eu quero, eu tô falando da matemática em si, como se a matemática fosse a única coisa que permitisse as máquinas aprenderem. Aí a gente entra hoje onde nós estamos, num buraco de cientistas. Cientistas, o problema não é do materialismo, cara. Não é de materialismo, mas eu vejo cientistas

que eles esqueceram conceitos filosóficos. definições, tipo um uma das responsáveis, a neurociência que permitiu as máquinas aprenderem. Eu quero trazer um outro caso aqui para vocês. O nome desse caso é o Conrad Lawrence. E C Lawrence, ele desde criança, ele se encantava com uma historinha de uma autora do livro, Selma Lag Lagenlof, o G tem som de K, né, no alemão. Ã, acho que é alemão. Sobre as aventuras de um menininho que ele vivia entre ganços selvagens. E um vizinho daí deu para ele um pato recém-nascido e ele

ficou encantado. Cara, o efeito borboleta aqui neste momento, olha que sensacional. Ã, o menino que se encantou no livro dos gansos recebeu um pato recém-nascido e quando ovo ele rate, ele e eclode, ele ficou, cara, o o patinho tá me seguindo. E é uma experiência que ligaria a vida dele dedicada ao resto da vida, ao estudo do comportamento animal. Pô, o que que o comportamento animal tem a ver com machine learning? a gente vai entender. O Lawrence, ele ficou conhecido pelas aves que nasceram e que acompanhavam ele.

E ele tinha vários pintinhos que nasci, patos que nasciam, viam ele como a primeira pessoa e começavam a seguir. O que que na cabeça dele começou a cara, o por que que eles me seguem? Como eles sabem que eu sou eu? Então, o fenômeno do imprinting, que o Lawrence, ele podia caminhar, entrar na água, entrar numa canoa, os filhotes seguiam e ele ficou como que eles desde o primeiro momento que o ovo acabou de rachar, o pato botou a cabeça para fora e tá seguindo ele. Ã, esse é o objeto de estudo dele. E se eu pegar, da

época que ele era criança até 1973, essa curiosidade da percepção fez ele ganhar com mais outros dois pesquisadores. Nobel, o prêmio Nobel, então compartilhado por Carl von Fish e Nicholas Timbergin. Descoberta sobre padrão de comportamento. Gravem essa palavra. Se vocês têm um papel e uma caneta e vocês têm que ter padrões. Ara, legal. Então não é só percepções, são padrões. Os patos eram capazes de detectar padrão. Não vou entrar aqui, mas nos experimentos dele, ele fazia eh experimentos com formas, com cores diferentes

e os patos eles conseguiam seguir e perceber diferentes objetos, formas diferentes e eles seguiam formas diferentes depois ali também. Então, patinhos a pares de objeto em movimento, andando. Cara, que coisa legal. padrão. Ele queria saber como os patos detectavam esses padrões. Olha só, a gente hoje não sabe explicar o aprendizado do animal, nem os humano, né, inteiro, mas o Nobel dele ajudou a a dar uma a uma ter uma pergunta concreta bem definida para conseguir levar a mesma pergunta pro nosso universo das máquinas,

de machine learning, de data science, de aprendizado, de a poxa, como eu extraio de muitos exemplos amostras samples algo que continue útil mesmo quando os exemplos mudarem. Para quem é mais avançado aqui, a gente entra no conceito de generalização. Generalização. Opa, eu assumo que o meu conjunto de dados de treinamento, ele representa a distribuição daqueles dados numa função que o gerou no universo completo. Como eu não tenho acesso aos dados do mundo inteiro, a gente não tem como. Eu quero minimizar o erro de treinamento,

mas porque eu assumo que o erro de treinamento ele vai também minimizar o erro total, certo, das coisas. Só que a palavra generalização significa: "Eu quero detectar as características que são comuns gerais. Eu não quero [limpando a garganta] modelar o erro, o ruído." E a gente vai falar sobre isso. O conteúdo que eu vou passar no chat para quem quiser aprofundar na matemática em si, eu vou passar lá no grupo de WhatsApp. Hã, mas percebam, padrão, generalização. E vamos experimentar essa pergunta com quatro linhas

de número. Então, a tarefa vai ser procurar uma relação e depois aprender. Não esqueçam a pergunta, a motivação que eu tenho com vocês aqui agora. Muita gente falou: "Cara, eu não sei como a máquina aprende". Para ela me responder, ela tem que aprender. Para ela me dar um preço, ela tem que aprender. Para ela me recomendar um livro que é a minha cara na Amazon, ela tem que aprender também. E eu tenho uma tabela aqui para vocês que eu tenho duas entradas, tipo, eu tenho uma variável X1 e uma variável X2. Que que é uma

variável, Carlos? Quando eu vou ver um preço de um imóvel, por exemplo, uma variável que eu levo em consideração é a metragem, quantos quartos tem, se tem garagem. Então isso são features, são em são as minhas variáveis. E com base nas variáveis, eu tenho aquilo que eu quero. Eu quero a minha variável alvo. Qual é o padrão? Já colocaram aqui no chat pra gente. Legal. Qual que seria? É a única. [roncando] Não necessariamente, mas essa função linear ela atende perfeitamente a gente. Então essa operação que o Hanval Júnior

colocou no chat, ela consegue sim, eu aplico sobre as duas primeiras colunas para produzir a terceira. Por exemplo, se eu pegar a primeira e somar com dobro da segunda, primeiro dobro da segunda, primeiro dobro da segunda, cara, funciona muito bem. Isso sugere então que, poxa, hã, a primeira entrada contribui diretamente para resposta, a segunda também. E eu chego nessa nessa equação, vou chamar de equação que, deixa eu colocar, eu acho que eu tenho ela aqui no slide, que teoricamente me atende. O valor que eu tenho

x1 + duas vezes o x2, ele é consegue modelar. Quando você quer saber o preço de um imóvel, quando você quer saber se uma pessoa tem câncer ou não a partir de de algum insumo, de um input, no final das contas, não é somente isso. Na aula de probabilidade, vocês vão ver que essa é a abordagem que eu tô falando agora com uma função objetiva, uma modelando uma hipótese, mas aceitem. Quem é mais avançado, aceitem essa premissa. Agora que eu tô falando que eu tenho uma função e essa função é o aprendizado da máquina. Eu

tenho que descobrir os valores que vão multiplicar cada uma dessas variáveis para me dar um output lá no final. Então este valor, tipo, eu tenho 1x1 + 2x2 para obter o meu y. E esses valores 1 e 2 eu vou chamar de peso. O peso ele determina como um atributo participa daquela soma. Se eu mantiver a segunda entrada fixa e aumentar a primeira em uma unidade, a saída vai aumentar em uma unidade. Se eu mantiver essa primeira fixa e aumentar a segunda unidade, ela vai aumentar em duas. Então essa é a nossa combinação e este

é o uso posterior. Quando eu treino um modelo de inteligência artificial, quando eu tô treinando um modelo de machine learning, eu tô dando dados suficientes, tipo isso para ele e eu quero que ele me retorne uma função. Claro que aqui é um exemplo extremamente simples. Eu vou pegar um problema que vai ter 50, vai ter 100, 200, milhares às vezes de variáveis, né? Eh, mas sempre dentro daquela ideia que eu quero modelar. O modelo, ele é abstrato por natureza. O modelo é abstrato por natureza, mas é o quê? O o menino

do patinho, ele pensava: "Cara, qual é a característica?" As features principais, aquelas principais características. Só que olha, o cuidado é somente esse. Uma tabela finita admite outras fórmulas que a gente pode encontrar que também vão produzir esses valores. E aí a gente tá procurando escolhendo uma dentro de uma família linear. E isso é importante para quem aqui às vezes já tá um tempo como cientista de dados trabalhando com machine learning. É uma dúvida muito comum que as pessoas às vezes elas não sabem quando

elas usam um modelo ou outro. Eu uso o modelo linear quando eu assumo que tem uma relação linear x + men. Agora quando eu tenho que elevar uma quadrado, então um modelo linear eu assumo uma relação linear e e só de curiosidade, certo? Então assim, eu e vocês, na verdade, o nosso colega aqui do chat, ele encontrou usando o raciocínio e a inspeção, né? Ele tá olhando aqui, hum, como que eu chego nisso daí, que que tem relação à aqueles exercícios, né, que que a gente tem do psicotécnico. Hum. A máquina ela não vai ter

esse comportamento humano de ficar olhando e analisando. E isso é óbvio, né, cara? Ã, deixa eu ver aqui. Deixa eu ver. Ver. Programação funciona por lógica binária. Não. Você tem lógica fuz, na verdade. Tipo, lógica binária. O 01. Não, não, não, não, não, de jeito algum. Ó, filosofia. Temos aqui o Adolfo aqui dentro de machine learning, né, pra inteligência artificial pra vida. Em geral, eu gosto, eu adoto, né, muito a base aristotélica tomista, ã, basicamente metafísica, né, só de curiosidade, mas não, de jeito algum

é zerou um. A gente vai ver inclusive casos probabilísticos depois, não lineariedade, etc. e tal. Mas voltando aqui, antes de transformar este número em um problema real, eu quero mudar a pergunta. Eu vou chamar uma operação desconhecida nesse momento de operação estrela, certo? E anote quatro exemplos. Duas estrelas. Ah, aqui tá com a resposta. Anota aí. Duas estrelas.

Dois estrela 3 dá 36, certo? S estrela 1 dá 49. 5 estrela 2 dá 100. 2 estrela 2 = 16. E aqui eu tenho uma operação. Qual regra eu consigo então explicar os quatros? Usando sua regra, quanto daria três estrela 5? Pensa primeiro na operação, depois você faz a previsão, certo? 225 é o resultado obtido com a regra que aparece à direita. Certo? Então assim, se eu multiplicar as duas entradas e elevar o produto ao quadrado, 3 x 5 dá 15. 15² dá 225. Eu vou conferir o exemplo e OK, a candidata, ela consegue explicar tudo isso.

O que que eu tô falando? Isso daqui talvez depois vocês vão fazer no papel somente para entender, mas eu tenho uma candidata que explica a diferença tá na relação, tá em relação à primeira tabela, tá no tipo de relação. Desculpem. Antes eu procurava uma soma de entradas multiplicado por peso. Agora a regra proposta, ela tá multiplicando as próprias entradas em si e eu tô elevando o quadrado ao quadrado o o o resultado final ali. Olha, essa é uma relação não linear. Não linear, certo? Falaremos bastante cadeias de Marcov

a aula de amanhã. Então, escolher o tipo de fórmula vai restringir o que eu espero encontrar. Quando eu não sei a relação entre as minhas variáveis ou quando eu tenho estruturado, quando é muito complexo, vou ter polinômio. Eu vou ter uma rede neural profunda que ela consegue modelar outros comportamentos, né? é um procedimento autorizado, apenas a ajustar o coeficiente de uma soma linear, não vai passar a produzir qualquer outra operação simplesmente porque recebeu. Então assim, se o meu modelo, se os meus dados eles

se comportam de maneira não linear, cara, não adianta eu jogar um modelo linear. E isso para quem tá começando, às vezes não faz muito sentido, mas eu tô querendo falar assim, existem premissas que a gente tem que fazer em relação aos dados, certo? Então assim, o ponto é decidir a família de modelos também participem. Opa, Carlos. Então, legal. Estávamos aqui nessa aula tentando descobrir como as máquinas aprendem. Daí você trouxe pra gente que a matemática que viabiliza as máquinas aprenderem, ela não é nova como

muita gente. Poxa, a gente tem o chat GPT agora porque a matemática apareceu agora. Essa técnica não, na verdade vem lá de trás. A gente viu, a gente viu que eu tenho que identificar padrões e a gente copia muito da neurociência também em cima disso daí. E eu vi que se eu der muitos dados de entrada pro modelo, amostras, e eu escolher uma família de modelos para ele, teoricamente eu posso desenvolver algum algoritmo que ã vai conseguir encontrar os parâmetros. Mas isso envolve a relação, vamos para uma situação mais

concreta e agora a gente sai desses números aleatórios e a gente tá vendo uma casa com parede como um lugar onde a gente pode morar. O nosso modelo ele vai receber apenas dois números. Cara, muito simples, sim. Para começar é bem simples. Quantidades de quarto, quantidade de quartos e área. E aí eu tenho a diferença da riqueza do objeto e a pobreza da representação. Já é uma decisão importante. Como que eu treinaria um modelo? Primeiro eu vou vasculhar por aí, pegar site de mobiliário, um monte de coisa e ver olha

qual, quantos quartos tem essa casa, qual é a área dela e qual que é o preço que tá anunciado lá no site. Então assim, o preço que existe para eu poder treinar os meus modelos se chama rótulo, label, OK? E o ajuste, os exemplos acompanhados da resposta. Este é o primeiro tipo de aprendizado que as pessoas normalmente começam. Aprendizado supervisionado. Aprendizado supervisionado significa eu estou dando para ele, pro meu modelo, pro meu algoritmo, um monte de dados que já tem a resposta ali no final. Então, pode ser

um número, como é o caso do preço, ou pode ser 0 ou 1, ou 0 1 2 3 4 5 6 7 8 9, se eu quiser detectar dígitos. Então, pode ser qualquer coisa. No caso de ser um número aqui, eu eu tô fazendo uma regressão, um um trabalho de regressão. E depois a gente vai ver que eu também posso prever uma categoria e aí eu entro na na tarefa de classificação e um modelo, cara, o insite, o que vocês copiam no papel de vocês, a máquina ela não é mágica, ela tem uma equação, um modelo matemático por trás. Eu tenho esse Y, o Yat, o Y com

chapéu quando eu quero fazer uma previsão. Então, opa, o Y era o preço da minha casa, certo? Ã, o Y com chapéu é o meu modelo que teoricamente foi capaz de generalizar e ele construiu a capacidade de prever o preço da casa somente recebendo a área e o quarto. O número de quartos é X1. Então, o que que o meu modelo tem que aprender? Qual o número que eu boto aqui na frente e aqui na frente? O W1 e o W2. Às vezes tá W, às vezes tá teta, né? A bolinha com corte ali no meio. A grega. Esses números é o que eu quero aprender.

Então, perfeito. Peso controla o quanto cada atributo contribui. Cara, numa casa playground para criança influencia mais ou menos do que metragem. Poxa, casa. Eu acho que ou o preço do metro quadrado ou a distância da praia. Olha, percebam, eu posso incluir quantas variáveis eu quiser e colocar pro meu modelo treinar. Então, o chapéu sobre o Y significa uma estimativa. E aí a previsão ela, claro que pode errar, a gente não vai fazer. E eu tô assumindo uma relação linear. Tranquilo? Então assim, representei uma situação

concreta que existia por meio de atributos e a gente produziu uma estimativa com parâmetros. Só que ainda falta falta dar uma forma, uma forma o que significa avaliar a estimativa, né? Olha, eu treinei o meu modelo e treinar o modelo eu vou passar o material para vocês. Tem aqui na playlist matemática que eu falo bastante de otimizador, mas na casa que a gente acabou de estudar, os meus atributos eles entram nessa caixinha. O que que é uma função, Carlos? Gelson Yes, volume 1, fundamentos da matemática. Comprem, quem

não lembra a matemática do ensino médio, Carlo, não sei se eu faço, cara. Faça você aprender funções, ó, volume de funções do Gelson Ies, geometria analítica para você relembrar a equação da reta. Ã, matrizes e determinantes. Para lembrar um pouquinho, cara, três livros dos 10 planeja nos próximos 6 meses, um ano, vai ajudar para caramba, né? Mas uma função, ela transforma as coisas. Se você lembrar na escola, f(x) era y, f(x) e y a mesma coisa. O f dex eu recebo um x lá dentro que é a minha variável e eu retorno alguma

coisa. Uma função é isso. É uma máquina de transformar coisas. Legal. Perfeito. Olha, eu tenho a capacidade de prever em cima dessa minha função aqui. Eu usei o teta, né? Essa é a minha função que o meu modelo aprendeu e ele é capaz de fazer a previsão. Só que eu tenho que o meu rótulo original pensa assim, o meu modelo ele não vai ser perfeito. Nenhum modelo é perfeito. Se ele fosse perfeito, ele tá com overfeit. Não, não existe tentar construir a realidade. O modelo é abstrato, ele você pega o que mais faz sentido

ali. Mas eu tô treinando. E quando eu tô treinando, cara, o meu rótulo o preço era nove, mas ele preveu sete. Como que eu avalio? Tem diversas formas. E aqui eu tenho uma aula gravada, uma live gravada aqui no canal. Se inscrevam. uma aula gravada que eu mostro o porquê, a veremelhança, classificação, o o log, por que a gente usa algumas funções, a questão de derivada, cara, tá tudo explicadinho matematicamente aprofundado aqui. Por enquanto, aceitem que uma medida boa para eu avaliar o erro é tirar a diferença e elevar

o quadrado. Minan squared error. Ã, vários motivos. Eu poderia somente fazer a diferença absoluta, mas o meu modelo ele vai prever, mas eu tenho que ter a capacidade de avaliar se ele aprendeu ou não. Eu tenho a previsão, eu tenho o preço real. O que saiu disso é a perda, é a loss function que a gente fala. E eu tenho a costidera todas essas loss function ali. Então o erro quadrático, né? Ah, que eu tenho ali. Então, perfeito. O que que eu tenho agora? Vai, eu continuo no exemplo de previsão numérica, só que vamos

pular um pouquinho mais pelo tempo aqui da aula. Lembrando que a aula, de novo, eu sou chato com isso, aula é impossível passar tanto conceito de uma vez. Por isso lá no grupo vocês têm material suficiente para aprofundar. Mas vamos pensar assim, quando eu comparava a precisão e o alvo, tinha uma informação indispensável. Eu sabia qual que era a minha resposta esperada e eu tenho como ir melhorando. A gente vê um algoritmo, um algoritmo que é diverso, mas um algoritmo baseado em gradiente. Cara, eu consigo ir melhorando,

mas eu tinha um sinal previsto e eu conhecia então a resposta esperada. No exemplo da casa, cada conjunto daqueles meus atributos vinha acompanhado do preço, que é o Y, aprendizado supervisionado, correto? Legal. Só que o meu alvo, ele pode ser um número, um preço, categoria. Agora, cara, imagina só eu receber as características de muitos imóveis, eu não tenho preço. Ainda assim, eu poderia tentar encontrar, procurar uma organização útil. Por exemplo, existem grupos que tísticas semelhantes. Quando você faz a sua conta

na Netflix, pela primeira vez, a Netflix ela não treinou modelo porque ela treina em lotes, né? Mas ela, mais ou menos pela sua idade, o lugar que você mora, a sua nacionalidade, seu aparelho, ela meio que te coloca numa vala comum e você começa a receber umas recomendações que são mais ou menos de pessoas que tm mais ou menos essas características gerais. Depois o modelo ele ele é melhorado, né? quando ele entra ali, porque, tipo, eles não vão parar o tempo inteiro e você começa a receber. Cara, neste caso, é um exemplo

clássico aonde eu não tenho uma variável alvo, eu tenho um monte de informação e eu tenho que, poxa, tentar procurar alguma organização útil, entender o que que acontece. Então eu tenho aprendizado não supervisionado, ã, que eu procuro estrutura ou representação seguindo um objetivo definido, sem fornecer uma uma uma target, uma uma resposta alvo para cada uma das entradas. E aqui a gente tem esse exemplo, né? Tipo, ponto próximo, eu sugiro uma estrutura que eu consigo investigar. Se eu quero medir proximidade, quais

características eu posso considerar? E ainda eu posso também considerar um agente que ele tá percorrendo um ambiente e ele tá observando e tentando ver tudo que tá acontecendo. Ele atualiza o status interno dele, o aprendizado por reforço. Quando vocês vem aquele exemplo do dinossauro que joga sozinho ou Mário que joga sozinho videogame e treinaram um modelo, esse é o aprendizado por reforço. Muita coisa de robótica, ela é ensinada pelo reforço, né? Aí eu tenho recompensa que pode aparecer depois de vários passos e

eu tenho que pensar um efeito para uma sequência. Então, três situações diferentes, com texto diferente, aprendizado supervisionado, não supervisionado e por reforço. Eh, eles, o que que varia? O que varia como a informação ela participa do aprendizado. Então, resposta associada. Caneca de Halloween da Target. Pera aí, essa daqui é nova. cafezinho à noite, só para não esfriar. [roncando] Então, o que varia como essa informação ela vai tá associada à entrada, a a estrutura de dados. Cara, é legal, cara. A gente tá indo

e voltando em muita coisa e a gente não pode esquecer que a gente fez um salto temporal, mas a nossa história começou lá atrás. E poxa,

vamos voltar pro Rosenblar. Vocês lembram daquele hype que teve lá em 58, capa do The New York Times falando: "Poxa, criamos o cérebro, laboratório da Marinha, todo mundo esperando por que um uma das coisas que causou muito fusu, que causou muito barulho, foi porque ele usou a palavra percepton, que depois ele se arrepende", dizem algumas fontes, né? E também teve essa ideia de neurônio. Muitas das coisas que a gente faz no mundo são biopirad. Por exemplo, o sonar do submarino, que a gente imita o comportamento de

um golfinho ou de um morcego. Eu tenho um algoritmo genético que eh mimetiza o comportamento de cromossomos, trocas de cromossomos, eu tenho a anomalia sendo gerados, eu tenho extermínio da população ou algoritmo de colônia de formiga para eu fazer uma otimização de rota que eu imito o comportamento das formigas liberando e feromônio na trilha e por isso as formigas chegam rápido naquele doce. elas saem espalhadas. Eh, a gente copia muito da natureza. Muitas dessas coisas, normalmente elas saem inspiradas, só que elas

começam depois a se desenvolverem sozinhas, porque é uma aproximação, é óbvio que é uma simplificação extrema. Rosen Blar. Olha só, a inteligência artificial é coisa agora, Carlos, de 2025/2026, meu amigo, essa história tá lá desde 43, depois 58 com Rosen Bla. A história tá sendo feita. Muitos fatores eles vão melhorando as condições que a gente tem, mas você vê, tá tudo aí. E quando você vê coach, de novo, não tenho raiva de coach, não temos raiva, não temos raiva no coração, né? deixa raiva pro grupo de família da

das eleições, mas você vê que o pessoal trata tudo como se fosse novidade e claro, o modelo de Transformer, claro, mecanismo de atenção, mas máquina é máquina e essa é uma área que ela vem cada vez mais se desenvolvendo. E Rosenbl ele traz a ideia, a inspiração lá atrás de neurônios biológicos. Então, eu tenho contatos entre células, eu tenho usar sinapses. Quem tem déficit de atenção, tem problema na sinapse. A ritalina, vai ajudar essa essa sinapses, mas eu tenho disparos pulsos dentro daquele meio. Ã, e quando eu

olho um neurônio biológico e o que ele apresentou é um neurônio artificial, certo? O salto real entre essas imagens, cara, levou década de perguntas, simplificações, provas matemáticas que dada situação tatal sempre converge, sem entrar nessa matemática pesada. No caso do neurônio, então assim, dentro do machine learning, a gente tá olhando agora para essa parte de neurônio, que é uma maneira que a gente tem das máquinas também aprenderem. O neurônio real biológico, ele recebe sinais de outras células. Então o estado

e esses sinais eles participam de processos que podem ou não levar emissão de pulso. Impulso. Olha que legal a inspiração. Então o meu impulso ã deixa eu ver coleção toda. Carlos Murm falando de alquimia, congelamento de cérebro. Pô, vocês estão vi uns papos aí diferente. Shalom. Shalom. Ani Carlos. Ã, o impulso ele percorre o axônio e ele influencia as outras células por meio de conexões. Cara, você pega uma imagem tirada ali, o como que aqueles bilhões de neurônios estão disparando, né? E tem algumas representações

sensacionais. Agora imagina que eu quero construir um modelo que vai investigar uma pequena parte desse processo. Uma pequena parte que é o quê? Imagina que um neurônio ele decide se ativa ou não, dependendo das condições que eu tenho aqui, certo? E essa é a parte do processo. Cada entrada vai ser definida por, representada por um número. Eu vou conseguir combinar essas contribuições e eu vou definir uma condição pra unidade responder. A contribuição de uma conexão, ela pode ser controlada por um peso. Legal. Essa

primeira representação já aproxima um pouco do daquela primeira tabela que a gente resolveu ali. 1 do controlava as atribuições de duas entradas. Legal. Aquele exemplo seriam dois neurônios na teoria que que eles conseguem representar. Só que aí onde que tá a possibilidade de aprendizado? Porque até agora, se eu falo este valor, eu não tô aprendendo, né? O aprendizado significa, opa, eu tenho que ter a capacidade de modificar aqueles pesos, as mesmas entradas, aquele mesmo x1, aquele mesmo x2, eles podem provocar uma

resposta diferente no futuro. O sistema vai conservar a alteração produzida pela experiência. Então, faltam etapas. Claro, para chegar no ponto, tem que definir o que que a unidade e ela calcula, como que os exemplos eles modificam parâmetro. E a minha cara, se ela aparecer na frente do slide, vocês me avisam aí. Então, para entender, deixa eu ver aqui, tá um pouquinho. Vamos subir. E para entender, então assim, voltem neste slide aqui, onde eu tô recebendo várias informações naquela nossa tabela aqui que a gente resolveu.

X1 e X2 são dois neurônios. No final daquele neurônio artificial, eu tenho que cuspir, dar esses valores aqui. Legal? Então, naquela tabela, eu teria dois neurônios de entrada. Só que esses neurônios, eles são combinados. Depois de combinados a gente passa para algum processo de ativação e ele me retorna. Para entender o que que essa unidade tá conseguindo calcular, olha, o pessoal às vezes começa por rosenbla. Na verdade, a gente tem que recuar e ir lá pro trabalho de Warren Mclorch. Sobrenome chique demais, né? Olha,

vamos regredir um pouco mais. Cara, a história é sensacional. Quando você estudando que a gente vê que que linda que é o campo, cara. Que linda que o campo. Ó, eu vou olhar as respondo

todas no final, só para não perder aqui o Então, vão deixando as perguntas, pelo menos aquelas que forem mais de conhecimento de de forem gerais. Vamos ir lá pro século século não, pros anos 30, século passado. Então, Warren Mclock, ele trabalhava com uma tarefa concreta. Qual que era o objetivo dele? Ele queria mapear conexão entre região do cérebro de macaco. Cara, ele ele era um neurofisiologista. Você vê contribuição de todos os lados. Ele tinha uma formação em filosofia e psicologia e medicina inclusive, certo?

E essa combinação ajudava ele a entender perguntas que normalmente a gente estuda em disciplina separada. É uma contribuição de várias áreas. Um mapa de conexões mostrava caminhos possíveis no cérebro. Uma região se comunicava com outro. Um sinal do cérebro, ele encontra diferentes destinos. Só que olhando o caminho, ele precisava entender ainda como que a organização ela participava de um comportamento. O que acontece se uma célula ela, por exemplo, receber sinais de duas outras e ele responde a qualquer um, eu preciso,

lembra que a gente modelou o neurônio artificial? Só que agora eu tenho que saber como que esses diferentes sinais de entrada que são multiplicados pelos meus pesos, como que eles se comportam? Porque no meu cérebro, já que eu tô tentando mimetizar, eu tô tentando imitar o comportamento do meu cérebro, eh, eu tenho que ver o meu cérebro tem hora que ele dispara, tem hora que ele não dispara, tem hora que ele dispara quando ele recebe a sinapse de outros dois neurônios. Algum sinal vai bloquear a resposta? Eu tenho

um bloqueador. Então, assim, eu tenho uma pergunta que vai permitir uma aproximação com a lógica. Eu posso descrever uma condição, uma combinação de de condições e o resultado ele vai aparecendo conforme elas vão sendo feitas. O desafio é como que eu vou pegar e construir uma descrição precisa ou pelo menos uma tentativa de aproximação precisa dessa transformação aí. E o interessante é que ele se interessava pela lógica do cérebro. Ele ã volta aqui. Ele em 41, na verdade, ele sai deixou Iale e ele foi pra Universidade

de Illinois. Certo? E a busca por esse tipo de descrição acabou levando ele a encontrar um outro jovem com grande domínio da lógica. Temos o nosso filósofo aqui, por exemplo, quando eu estudava o tron, era a lógica, retórica, gramática, né? Você domina, tem que dominar a língua, tem que dominar todas essas ferramentas para você ser preciso no uso da própria língua, né? Daí vem o quadrívium, que você tem astronomia, a geometria, a aritmética, ã, astronomia, a música e a geometria, né? É isso. Eu acho que eu errei uma,

mas tipo, como que a gente vai complementar então a lógica, a lógica formal, acredito aqui, mas tem a lógica informal também. A lógica ela é extremamente importante. E, cara, ele com esse conhecimento da fisiologia, da medicina, do cérebro, ele encontra um jovem com grande domínio de lógica. Aí depois se encontra, vamos entender o que que a lógica oferecia, uma linguagem útil para o problema. E aí a gente vai começando a se entender. Imagina uma inscrição que só fica concluída se o formulário for enviado a partir de

uma determinada página. Certo, pessoal? Se eu tiver pulando alguma etapa e alguém for diária, meu objetivo de jeito algum é trazer um conhecimento aprofundado dessas áreas da neurociência, biologia. O conhecimento que eu trago aqui é o conhecimento de topo de funil de entrada. O meu campo é machine learning, mas eu acho extremamente relevante. Eu, quem aqui concorda? Vocês estão gostando de ver esse outro lado da matemática? Porque se a gente não sabe a ferramenta da onde veio, tudo que complementa e essas questões,

cara, a gente vai só paraa conta, não faz sentido, né? Então podem trazer qualquer contribuição se vocês forem dessas áreas, porque a minha meu objetivo é somente pincelar. Tranquilo? Então, eu fiz uma página, um formulário enviado, um pagamento que foi confirmado. Se uma condição faltar, a inscrição continua pendente, assim como um site que tava com erro. Legal. Se eu tenho condições que são satisfeitas, tá concluído. E para programadores aqui, tem alguém aqui que quer aprender Python? Quem quem não programa em nenhuma

linguagem? Quem não programa em nenhuma linguagem, coloca aqui no chat. Quem programa pode compartilhar também. Mas eu tenho uma palavra, duas palavras e ou o ou. Mãe, compra um chocolate ou um doce. Se o mercado tiver aberto e for barato e ou e ou e a gente usa de maneira completamente errado. Lógica e gramática faz muita falta pras pessoas, eu acho, no Brasil, porque você publica, né? Olha, não sei o qu. Ã, fazendo, comprando, estudando durante 6 meses, você pode ganhar um com um salário de 7.000. Cara, pode, é lógica,

né? Ou o e ou. Cara, às vezes assim, é importante a gente entender, mas a gente leva o e ou porque eles têm condições de combinações diferentes e eu posso enumerar soluções. E quem que a gente tem? H, eu posso enumerar possibilidades sem depender da interpretação, se nenhuma foi satisfeita, se só a primeira, só a segunda. Cara, eu eu tenho como fazer regras do e ou do ou. E eu tenho White Head Russell. Eles entraram também na história da matemática que o autor desse livro, Anil, o Anil, ele ele traz de maneira brilhante

o levantamento bibliográfico dele. Cara, que trabalho sensacional. Ã, a contribuição deles na lógica formal. Turing. Por que que ele entra? O Turing tá na contribuição pela descrição matemática da computação. Então o trabalho dele faz parte de de um contexto onde as minhas operações elas podem ser especificadas e estudadas com rigor. Legal. Uma tarefa complexa, então pode ser investigada a partir da combinações de tarefas mais simples e de como elas eram combinadas. E aí, para eu acompanhar o McLosh, guarde essa possibilidade.

Hã, uma condição, ela pode ser representada por um sinal. Poxa, a gente tá falando sinal. A gente tá falando de sinal. Sinal, sinal. Lembra que no aprendizado a gente falou sinal, condição. Se eu consigo representar como um sinal, pensa assim, duas condições podem chegar a uma unidade. A unidade pode produzir uma resposta apenas quando ambas tiverem presentes. Se eu conseguir especificar isso matematicamente, aí a gente tem uma ligação entre a linguagem da lógica e o comportamento do mecanismo. No final das contas,

eu tô escolhendo a pergunta de quais operações a rede realiza dadas essas regras. Certo? Eh, eu sei que tá, eu vou tomar cuidado de não prender muito aqui, porque realmente eu trouxe bastante material aí. Mas uma outra pessoa que surge nessa história da matemática, Walter Pitt também, que que ele contribui, só que eu vou pular pessoal aqui porque eu acho que essas contribuições eu tô com medo de não dar tempo ou começar a ficar. Eu preparei para, eu quero tirar dúvidas ali no final. Certo? Posso ficar à vontade? Ah,

então beleza. Então vamos ficar trazendo outros nomes. Cara, vão pensando na história e vocês vão vendo. Quando a gente chegar, principalmente na aula que vem, a gente vai começar a fazer mais continha e aí as coisas vão se encaixando. Mas pega o Walter Pitz que entrou e era adolescente quando ele entrou na história e tinha capacidade lógica também ali e ele não tinha uma moradia estável. Lembra do McLos do slide anterior? Ele conheceu, encontrou um interlocutor, ele levou para morar com ele e a esposa. Eles acolheram

porque ele era uma um adolescente que não tinha onde morar, só que ele era extremamente genial. E aí você juntou um cara que trazia pergunta da neurofilologia, de como os sinais recebidos por célula poderiam participar de um cálculo. E o Pits, esse jovem, ele trazia recurso para trabalhar com a relação lógica envolvida na pergunta que tava ali. Então, em 43, poxa, antecedendo o próprio Rosenbla, o Mclos e o Pitz, eles aparecem junto num trabalho sobre atividade nervosa e lógica. E parte do trabalho levou a publicação

que ocorreu neste ambiente da família Mulos. Então, olha só que coisa bacana que a gente tem. Ah, deixa eu pegar aqui. Publicaram então no Bulletim of Mathematical Biophysics. E este trabalho depois ele foi usado pelos pesquisadores que vieram na sequência. Olha como a modelagem dos nossos neurônios. Então parem de ter medo de a IA vai tirar o meu trabalho. Aá é uma tecnologia que chegou nova. Cara, se a gente tem o que tem hoje, é nessas contribuições que vem lá de 43. Não caiam no papo de coach. Você não vai ser

substituído, cara, se você for bom. Agora, o que que eu tenho que estudar? Vão por mim, deem um voto de confiança. Estuda em matemática durante a construção da carreira. Tranquilo? Então, pesquisa inspirada no cérebro. Hã, e o que que acontece? Neste primeiro momento ainda de 43, eu tinha que escolher o valor, mas eu não tinha o aprendizado. Mas vamos conferir o cálculo. Olha só, com o trabalho do pit McLosh, eu trago pro contexto do neurônio artificial depois. E na célula biológica, os meus dentritos, eles recebem

os sinais aqui em cima. Então eu tenho o corpo que participa e eu vou até o disparo ou não do meu sinal, certo? O como que eu recebo o disparar? Ó, as minhas entradas elas são combinadas aqui. Então x1 e x2 pode valer 0 ou um são estados possíveis. Para acompanhar a lógica, eu posso associar zero a uma condição ausente, é uma condição presente. Então assim, um número pequeno acima do thrashhold, ó, eu retorno zero e um. Ã, deixa eu ver. Hoje sabe nutrição, gestão diminuição inteligência. Tá? Então assim, cara, legal,

eu tenho daí que vem todos esses conceitos que eles vão surgindo. Vamos agora, sem entrar nos detalhes, olha a modelagem aqui. As entradas elas ainda naquele primeiro neurônio artificial, elas só aceitavam zero ou um. Então, o primeiro modelo que a gente tem de neurônio artificial, ele recebeu um zero ou um e eles tinham essa capacidade lógica de retornar um valor, certo? Então isso é o que a gente tinha, a gente trabalhava dentro do nosso thrashhold. Então assim, eu mudava o meu limar e isso ia acontecendo. Então

de 43 MLAD pit, regras elas eram definidas. Quando eu tenho Rosen Blos 50, as minhas regras elas são atualizadas e eu vou aprendendo conforme eu vou tendo mais exemplos. Tranquilo? Vamos ver aqui. Quer programação, dificuldade cálculo. Vou vou falar todas as perguntas para você. Vou vou responder. Podem colocar as perguntas aí, eu respondo no final. Tranquilo? Deixa eu já dar uma olhada aqui só se tem alguma coisa.

Ah, deixa eu ver porque senão fica muito aprender Python. Deixa eu ver as últimas. Lógica, gramática, retórico, música média geometria. Acho que é isso. Programo nada no ser Excel. Chegando agora. Salve sinal. Sign. Sabemos que a nutrição, vamos ver programação seja bem interessante. Dificuldade com esses cálculos pode ficar para trás. Verdadeiro darwinismo social. Cara, eu vou limitar a minha premissa, né? o meu ambiente aqui, porque eu também não tenho controle sobre as todas as variáveis. Mas a verdade é que, poxa,

as pessoas têm a mania de ser pessimista, cara, o mundo tá acabando, tá tudo ruim, pô, a gente passou, compara realmente, né, com com o passado, cara, a gente tem a possibilidade hoje de eu pegar livros, ó, por exemplo, o livro do Toralba, que eu uso e fundamento da visão computacional, é do Mitá disponível gratuitamente. E eu tenho aulas do MIT, Open Courware, eu tenho aulas de Stanford, o momento eu entendo que é propí, mas nunca a gente teve tanta informação disponível. Eu posso não ter aprendido na escola, né?

Mas com esforço pessoal eu posso pegar e imprimir os livros. Ã, tem gente que vai poder baixar e não estamos julgando ninguém, baixando livros por aí que que são pagos e a pessoa imprime. Então assim, a gente tá num tempo que eu tenho como aprender. Quando você pega, só de curiosidade, lá pros anos 2015, vai 2015 eu tava estudando V5 ou V3, mas Fester RCN, tudo daquela época, né? Vai saindo festn, fest rcn fest rcnn sdd. Ã, você tinha aunet surgindo, cara. Eh, você não tinha referência por aí. O tensor flow ele tava

na versão 1.0. O backbone dele ainda era não era o Caras, né? E era super complexo. Você tinha que fazer tanta coisa na mão, você não tinha tutorial. Hoje em dia os tempos estão maravilhosos, eu acho, para você aprender, né? Então, a gente tá nesse sentido aí. Hã, deixa eu ver aqui. Referencial teórico. Desenvolver projeto de reconhecimento não conformidade em telhado industrial. Cara, ã, cara, difícil responder essa pergunta num tempo tão curto assim. Ajuste de peso. Maravilha. Vou passar para vocês. Ser humano tem

o poder do autoapendizado. Cara, é aquela questão, né? Poxa, eu não posso ã poxa, tem coisa que é justa, tem coisa que é injusta no mundo. Eu concordo, mas tipo, tem coisa que não vai mudar. Se a situação é essa, a regra do jogo é essa, ou eu mudo ou eu tento fazer alguma coisa e eu entendo que nem todo mundo, que nem o Col colocou, vai ter as mesmas condições, né? Mas cara, eh, pô, a gente pode fazer alguma coisa, pelo menos. Ah, vamos ver. A, ó, sei que nunca houve um espaço tão democrático qualquer pessoa aprender

matemática e programação. Tá legal? Tem muita história. Eu vou disponibilizar os slides para vocês e eu amo histórias. A anedota, esse livro ele tá bem representado. Mas o que que acontece matematicamente tudo [roncando] isso? Hoje em dia, quando a gente olha um modelo, por exemplo, de neurônio, cara, eu tenho as entradas que elas são passadas e são multiplicadas por pesos ali. E eu somo esses valores e ele me dá um resultado no final aí, ainda de maneira completamente simplificada. H, mas o ponto é pra gente não perder

a distração. O que que eu tô ensinando neste primeiro momento é eu tenho como aprender e modelar as coisas, as informações que chegam, né? E eu levo isso para um problema, por exemplo, de classificação, não apenas um problema de regressão. Ã, eu vou só mostrar aqui uma coisa para vocês. Deixa eu só abrir e trocar a tela. Só um segundo.

Então, Adolfo, pode ser ou pode não ser, cara. Mas é isso que tem. Então, assim, tipo, ã, eu entendo a preocupação, mas não tem muito o que fazer, né? Então, dado cenário, o que que eu posso fazer para mim ou para pessoas que estão próximas, as pessoas que dependem de mim e contribuir com a sociedade? Cara, eu o que eu fiz para contribuir de alguma maneira o conhecimento que eu tive lá em 2018, quando eu ainda tava na Força Aérea, eu criei um blog, o Sigmo cara, mais de 200 artigos escritos, artigos assim, você vê

Orbs Lan, você tinha artigos extremamente aprofundados por matemática, tutorial, coisinha do passo a passo, dica de carreira, faço eventos gratuitos, 200. Então assim, eh, a gente não tem muito o que fazer, né? Então a gente faz pra gente e tenta contribuir de alguma maneira. Então aqui, se vocês forem ali, certo? Pera aí, aqui, ó, e pegarem vídeos, playlist,

vocês t aqui, ó, matem matemática para machine learning. Essa é uma playlist que eu quero fazer, porque esta primeira aula aqui é uma aula introdutória de aprendizado de máquinas. Mas se vocês pegarem essa playlist, que que vocês vão ter? Vocês vão ter aproximação de função, cara. Vocês vão ter muita coisa. Aproximação de função, gradiente, cara. Tudo aqui dentro. Tudo aqui dentro. Então, ver playlist completa, ó. Ó, toda uma série, gradiente, descendente, loss function, regressão linear, aprendizado, matemática, permite

as máquinas aprenderem, modelo de classificação, otimizadores, eh, redes neurais, regularização, aproximação de função. Então, tipo, aqui você tem todo este conteúdo para você conseguir aprender. E eu recomendo que vocês passem um tempinho ali, ã, porque tem todas essas técnicas aqui. Eu por mim faria mais aulas ainda, né? Acho que que esse evento exige. Mas tudo eu posso resumir neste primeiro encontro como eu tenho que identificar uma função matemática que me retorna valores. Eu retornei no exemplo da casa, onde

eu dou a métrica, a metragem, o espaço e ele me retorna o preço da casa. Mas eu posso dar informações onde eu classifico e é um modelo de classificação. Eh, no final das contas, o meu modelo ele treina e ele tem a capacidade de aprender. E aí a gente, antes de começar a aula do tema probabilístico, amanhã eu vou dar um tempo para vocês digerirem tudo isso e eu vou apresentar o gradiente, porque eu consigo ir melhorando e a gente vai ter um laboratório. Vou compartilhar com vocês. Vocês podem mexer ali também. Eu consigo

ir melhorando aqueles parâmetros, aqueles meus pesos e ajustar eles até dar o menor erro possível. Agora, eh, eu tenho que ter um algoritmo ali por trás, eu tenho que ter algum método que me permite melhorar. E aí vocês vão ver que no final das contas é uma derivada que é uma coisa mesmo para quem não teve contato com a matemática da faculdade, é um conceito que a intuição você consegue absorver de maneira fácil, né? Tudo se trata no final das contas de, por exemplo, eu quero definir uma reta que separa esses dois

grupos de e-mail, por exemplo, com spam ou sem spam. E a minha tentativa e erro vai dar dependendo de como eu encontro a inclinação e como eu encontro o percepto. Mas tudo isso acaba sendo no final. Resumindo, tenho dados e o meu algoritmo de aprendizado, ele precisa ter um objetivo. O que que eu quero melhorar? Eu tenho que ter um espaço de hipótese que eu tô limitando quais os modelos que eu posso escolher e a otimização, como que eu consigo procurar uma solução. E no final, quando esse modelo meu ele é treinado,

ele vai me retornar um modelo aprendido e esse modelo aprendido ele vai ser uma função e mesmas funções com outras parametrizações. Então isso é uma equação paramétrica que a gente vai falar ali. E eu vou deixar a parte prática. Eu tenho notebook de de código pra gente rodar o modelinho no Python, mas eu queria ter deixado essa primeira aula ainda para uma introdução muito mais simples, um pouco da história. Então assim, quando a gente pega lá no começo, então vamos recapitular a sequência de aulas. Esta é a única

aula que ela é mais histórica. A próxima aula a gente vai pra prática. A gente vai pegar a parte matemática, vai escrever o código em Python. Então amanhã a gente já começa nisso para depois introduzir a matemática da incerteza. A terceira aula depois na quinta-feira é a parte de de visão computacional. E a melhor aula de todas, não que vocês não devam assistir essa todas, mas aula quatro, aí sim a gente vai conseguir entender matematicamente o mecanismo que permite o chat GPT e o cloud funcionarem, porque eh se você

não domina, e aí vem na questão da importância, poxa, legal, quando a gente falou do mercado, o que mudou do mercado de trabalho quando você tem a IA hoje? Cara, a IA, tudo bem, ela até num hype muito grande, principalmente que tá muito saturado das pessoas falando. A IA ela potencializa o que você tem. Quando eu pego um modelo, por exemplo, de visão computacional, principalmente, cara, a máquina é ruim. Por mais que os modelos fundacionais eles consigam enxergar alguma coisa, cara, ele é péssimo. Ele não tem a capacidade,

como o Yan Lecum e como o Andrew Wing falam, a AGI, AGI, ela não vai chegar por meio de modelo de linguagem. Por quê? A máquina ela precisa ver o mundo, interpretar o mundo. Um modelo de linguagem ele, o modelo fundacional hoje ele não tem memória. Não tem, ele tem, não é memória, ele não tem a capacidade make sense, ele não faz raciocínio. E tem o o raciocínio em si e ele não consegue planejar, ele planeja o próximo token, a limitação da arquitetura. Quando você entende isso, o mundo abre. Aí o que que eu vou focar,

cara? As empresas estão contratando para caramba. O Júnior, o problema do Júnior não é o título em si, mas [roncando] o júnior ele para no básico. E eu digo assim da leva, quando eu tinha alunos do data science na prática, o pessoal conseguia emprego muito fácil, período da pandemia, o período um ano após a pandemia, ã, o pessoal conseguia emprego e parava de evoluir. Aí você fica no feijão com arroz. Cara, o problema hoje é quem tá no feijão com arroz, porque a quantidade, eu publiquei nos stories, eu tenho um destaque

ali no Instagram, a quantidade de empregos que vão chegando. E não é pela experiência somente Júnior, mas é que o Júnior ali é o cara que faz o feijão com arroz. Quando você começa a levar para outro patamar e eu digo pros meus alunos, por exemplo, na faculdade, cara, eu passo paper para eles. A gente vê o paper, por Jepta do do Yan Lecum, cara, um dia depois eu trouxe paper da Duke aqui do lado, a Duke University. Assim que saiu, eu trouxe uma semana depois para mostrar o estado da arte. Além disso, estudar case da

indústria. Além disso, como que eu adoto um uso de uma ferramenta de A no meu fluxo de trabalho, o que que as empresas aqui nos Estados Unidos, no Brasil, enfim, tão cobrando. E aí você vai ver que a real capacidade hoje que faz diferença é você manter sim o seu estudo como você faz, mas incluir paper, leitura, pelo menos os principais, os destacados, pega os principais congressos da área e poxa, matemática, cara, não tem para onde fugir. Você pega o código fonte do X, por exemplo, quando o Elon Musk abriu, ah, não

é biblioteca, é você modelar matematicamente o negócio. você pega um uma pesquisa do estado da arte, você tem que saber esses fundamentos. E quando você vai para uma entrevista técnica, ã, hoje em dia o leit code ele tá caindo muito em desuso, graças a Deus eu não tenho, mas eu não paro para estudar lit code, estrutura de dados, não chega, né, cara? Tá bom, eu recuso, né? simplesmente não tem lit code hoje em dia, não acho que vale a pena parar, mas se você precisa para aquela empresa, tem que estudar, claro. Mas o

lit code ele tem caído em desuso e principalmente quando você vai para aplicar para uma startup. Uma startup, ela tem um processo seletivo que é feito com os founders a às vezes. E os founders eles vão usar aquela comportamental com técnica, com quase um machine learning system design, cases, aplicação. E olha só, Júnior tá no nome, títulos são títulos. O título, dane-se o título. Cara, o que importa é se eu vou ser contratado ou não. O que importa é o salário. Título é título e cada empresa vai ter seu critério. Como

que eu passo numa entrevista, Carlos, em 2026, se eu tô começando a aprender do zero, você tem coisas, tem conhecimento tácido intrínseco, tem conhecimento que você aprende assistindo aula, certo? Tem conhecimento que você precisa da vivência. Mas os meus alunos eu tenho passado uma solução muito boa. Primeiro, cara, você vai para uma entrevista e vou dar um exemplo prático. Me perguntaram numa entrevista ali que eu tinha que fazer uma detecção de objetos que passavam rapidamente em cima de uma esteira para detecção

de anomalia. Ã, perguntaram assim: "Poxa, já estamos usando iolo?" Olha o nível de pergunta, pessoal. Isso que vocês têm que se preparar é isso que você tá começando agora? você não tem experiência, mas você consegue responder essa daí se você fizer o que eu vou falar. Olha, eu tô rodando na esteira essas peças desse formato, tal, tal, [roncando] tempo de latência, tal, eu, mas tá lento, como que eu posso acelerar? Ou melhor, o defeito dessa peça não tá parando na minha iolo V26. que a V27, não sei se lançou já, mas

V26, a V8 ela tem mais precisão para muitas das coisas. A V26 ela é mais rápida para as aplicações que eu vi, né? Mas sei lá, a Iolo V8 uma precisão sensacional não tá pegando esse defeitinho porque ele tem cinco pixels. Aí eu vou ver. Pô, o problema não é a resolução da imagem de entrada, o problema é uma das cabeças P tanto PX lá da minha iolo. Eh, e se eu incluir uma outra cabeça, mas eu não preciso ter feido essa experiência na indústria. Se eu tô estudando paper e matemática, eu consigo ter essa experiência adquirida

de outro meio. Aí você se destaca, porque na entrevista é isso que as pessoas estão trazendo, esses casos. ou vai perguntar: "Poxa, o processamento não tá rápido". Aí que que eu vou responder? De tanto paper acadêmico, tanto estudo de caso que eu vou vendo. E aqui o que eu percebo é os labs das faculdades, eles têm o funding, né? o financiamento da indústria no [roncando] Brasil, infelizmente, você tem os três pilares, ensino, pesquisa, extensão. O pessoal foca eh ensino e pesquisa, mas não tem essa extensão pra indústria.

Aqui não é conectado. Então você vê o que é publicado, poxa, ele é o que tá acontecendo e você consegue aprender com a fonte dos outros. Se você bota numa rotina, cara, estuda isso durante um ano, pô, tu vai estar preparado num nível. Ah, como que eu acelero? Aí eu vi um paper ou eu vi um estudo de caso onde você não usa iolo para fazer o processamento da imagem inteira, você usa iolo para ela extrair as características e daí você roda o modelo baseado em árvore, um light BM, um X de bush, etc e tal. é mais rápido

você ou eu trabalho com auto encoder que eu jogo para um espaço latente com pouca dimensão e eu consigo capturar características da peça boa se eu não a minha peça não um um defeito nunca visto. lugar de eu ter que propor um modelo de segmentação, que o modelo de segmentação ele é caro para treinar, ele é demorado, é, vai ficar gravada, vai ficar gravada e vai demorar o modelo de segmentação que eu tenho controle pixel a pixel, né, que a pessoa pode pensar, mas poxa, essa é a pergunta de um júnior no sentido, mas não

de experiência necessariamente. Se você tá estudando, você tem este nível de resposta, pô, aí você vai para uma entrevista, cara, e você responde desse jeito. Cara, eu uso para tudo com Harness Jame. Eu tenho, ó, eu tenho a conta de ó do Chat GPT, que eu uso em vários projetos aqui. Trabalhando projeto de drone, projeto pessoal tocando a empresa. Cara, eu uso para tudo. Framework, desenvolvimento de projeto, TDD, spec, metodologia, AI, tem os agentes aqui, PO, PM, tem, tem tudo, cara. Aqui [roncando] tudo, tudo, tudo

eu tô usando num nível pesado e é a melhor coisa que você vai fazer. O token tá barato, tá tá cara, é hora de aprender. E aí vem no outro ponto. Este é o ponto que eu trouxe, a dica que eu já adiantei para vocês de processo seletivo. A experiência que você ganha adquirida por meio de experiências dos outros neste nível de profundidade. Se você não adquiriu, percebam como os tempos mudaram. Eu fazer aquele tutorial goiaba, cara, não adianta nada, cara. Tutorial de blog, o que compensa aí? Que tá um problema. Muitos

aqui vão falar: "Sou autodidata". Pera aí. Autodidata para aquilo que precisa e procisa também. Tipo, o que você quer estudar ou somente para tudo? O que mais eu conheci de alunos que falavam que eram autodidatas, eram alunos que só assistiam curso daquilo que eles gostavam, faziam projetos práticos. Cara, infelizmente as pessoas falam de faculdade e eu vejo que a gente entra em ciclos que o o tem coisa que não sai de moda. A tecnologia muda, o que que não vai mudar, cara? Sinceramente, o que não vai mudar eh você

aprender essa matemática de base, você aprender conceito de otimização, estrutura de dados, algoritmos, essas boas práticas, você vai mantendo esse estudo, né? Então assim, ser autodidata, tome cuidado, porque ser autodidata significa você identificar o que você quer aprender. Aí você vai desconstruindo, vai como fim mano. Poxa, eu preciso para aprender isso, eu vou destrinchando e construindo uma árvore. Aí eu identifico as minhas falhas formativas. E aí é o problema, cara. Quem é que vai estudar economia? Não sei

quem vai aprender. Fazendo exercícios. Se você não tá num ambiente de aula, ser autodidata é sensacional para quem consegue, mas a maior parte das pessoas que se dizem autodidatas, elas vão até certo ponto. Então, só tomem cuidado com isso, né? Um estudo ele é mais sério. Um estudo ele tem que ser dividido no longo prazo. Até quando que eu estudo? Para sempre, né, cara? Tem um livro bom de sertilanges que é vida intelectual. Cara, você tem que estudar simplesmente porque você tá vivo. Eu não consigo imaginar, pô, a

pessoa não arranjo emprego ou não tenho promoção. Eu não consigo imaginar um cenário onde a pessoa tá estudando 5, 10 anos, mas estudando com rotina. E eu, poxa, cronometrando, vendo livro, resumo, tá, tal, e a pessoa não teve, né, um bom desempenho na vida, não teve uma evolução. Eh, e botar a gente de arte da experiência de lidar com metodologia ágil. Mas isso eu vou falar nas próximas aulas. Esta aula aqui foi somente uma introdução da história. O contexto é: "Cara, eu não estaria fazendo um evento de quatro aulas

de matemática se não fosse extremamente relevante." E é muito importante. Hoje a principal habilidade você ter uma rotina de estudo em cima disso. E na teoria não é só a matemática pura, mas a matemática aplicada. São os papers da academia. Eu tô englobando. Tudo isso é o que mais vai te trazer retorno. Por qu é o que separa o joio do trigo, cara? Não tem como. Vocês podem ver uma live que eu fiz aqui com a Nicole. a Nicole Barra da Strider. A Strider é provavelmente a maior contractor dedicada à Latan, América Latina.

E a ela falou uma coisa, um cenário, poxa, desenvolvimento tal, cara, ciência de dados, vagas para cientista de dados, especificamente, machine learning, visão computacional. Ela falou, diferente das outras vagas para dev, para DevOp, cara, essas vagas de data science, elas estão cada vez mais exigindo você ter uma formação e nível superior. Por quê? De novo, eu entendo que todo mundo vai ter uma crítica ou outra, mas não tem um modelo, na minha opinião, a altura que eh que substitui, né, assim, o ensino formal nesse

sentido. E as empresas elas estão sendo inundadas com projetos que são feitos por IA, que a pessoa ela fez. Vamos lá. Não significa que você tem uma causalidade, às vezes entre a pessoa que fez ou não, mas você tem uma correlação alta em alguém que se dedicou e que tá investindo na carreira, né? Esse é um ponto só para considerar, porque às vezes assim a gente se deixa enganar em tempos de autodidatismo e tá todo mundo meio perdido do que que é relevante. Cara, ter uma estrutura um pouquinho mais certinho, acho que

vale a pena. Mas é o que ela falou, as vagas têm cada vez mais exigido uma educação formal. A Iá jogou muito ruído no mercado. Muito ruído no mercado. Todo mundo consegue fingir. Agora, de novo, não é causalidade, é correlação. Ah, a correlação é a pessoa vai entender do nível inconsciente. E é um processo de compra, né? O recrutador com você e acontece primeiro no nível emocional, depois no nível racional. >> [roncando] >> Quando ele vê que você se dedicou ali para ter estudado por um tempo, cara, ele

assume no viés humano dele, todos somos humanos, que essa pessoa se preparou [roncando] na carreira, né? Então é um ótimo indicativo. E amanhã a gente volta no mesmo horário, onde eu trago esse lado da incerteza. E a gente não vai ter tanta história assim, a história a gente deixou, tem muita história. Se vocês pedissem, cara, eu tinha muito slide e é que não dá. O evento ele tem esse lado introdutório e agora a gente entra na parte de código, na parte de lab, na parte de simulação. A aula três vocês vão amar. Para

quem nunca trabalhou com visão computacional, é a minha área, é a área mais apaixonante. Trabalhei com drone, cenário de guerra, cenário de satélite, robótica e eu amo. E a aula quatro, pô, isso daqui é para fugir de papo de coach, cara. Fujam de coach de A. Se falar coach de A, pergunta integral. E vamos lá. É, Calebe, eu tenho que isso. Quem me perguntou, cara, eh, na minha máquina, eu uso o VS Code ou o Antigravity? Os dois eu uso o terminal direto e eu só uso a IDE só para navegar nos arquivos, né? Mas tem que

ser ã no collab porque, poxa, é um evento desse tamanho. E é isso, pessoal. Vamos fazer assim. Eu vou pegar o chat todo e no começo da aula que vem eu vou responder as que forem principais ou que forem relacionadas ao assunto, tudo aquilo que eu consegui, porque daí eu consigo fazer uma filtragem. Aula que vem vocês vão ver a mágica do aprendizado e aquilo que a gente não vê, que não é ensinado, né? As pessoas pulam, elas começam nesse lado e esquecem a matemática da incerteza. Tá bom? Muito obrigado. Ó, cara, essa

daqui merece uma foto, né? Quem aí? Eu até vou aumentar minha cara. Compartilhem ali. Eu não tenho nenhum print nunca das aulas. Então se vocês puderem compartilhar e me marcar ali no Instagram, poxa, vou compartilhar todo mundo, todo mundo, todo mundo. Vou paper relacionado, Pablo, vamos fazer assim, ó. Para quem tiver lá no grupo de WhatsApp, o link tá aqui na descrição do vídeo, tá? O grupo de WhatsApp. Vou colocar os principais congressos, CVPR, New Reaps, todos os congressos. E não, não tem que ver todos os papers.

É louco, impossível. Mas vejam os premiados, a indústria ela anda correlacionada, mas dissociada do estado da arte, porque o estado da arte em produção às vezes é diferente, né, do do estado da arte da academia. Tá bom? Ã, legal. Vou trazer essa resposta para você, Sandra, direitinho. Mas tem muita coisa, muita coisa. Hoje em dia, ah, a parte do uso computacional do Codex, o Chat GPT, cara, ele ele manipula a minha máquina inteira das redes sociais, né? Sem eu ter que fazer a conexão, sem mandar o pedido pra meta.

Como é para uso pessoal, é tranquilo, né? O risco é aceitável. Eh, de boa ali, mas eu vou ver se eu estruturo isso daí. Você tem muita coisa que dá para fazer, muita coisa mesmo, muita coisa. E é isso, ó. Então, aquela foto, poxa, esse é o print. Fala: "Caraca, pessoal, vocês perderam a melhor aula. Olha, eu não acho que alguém no YouTube já essa aula aqui não, não, eu só usei livro para trazer apenas livros para fazer os insumos, né? Livro físico, eu amo livro físico. Ã, então essa parte de história que é motivacional,

né? Pra gente ver que os coachs estão falando que a IA surgiu agora e vai acabar com o seu emprego. Cara, a IA tá desde a década de 30, as primeiras pesquisas que complementar foram levando nessa direção e a gente foi passando na Cornellor University e tudo que a gente vem para car entendeu? Opa, não é bem assim. A matemática sempre existiu ali por trás. Bom, obrigado pela presença. Vejo vocês ali e todo o material compartilhado ali no grupo de WhatsApp. Forte abraço, fiquem com Deus e até amanhã no mesmo horário.

Assim, o link já tá aqui, tá? Ó, já curtam, aproveita agora. Poxa, acabou aqui. Vai lá no vídeo da aula dois. Eu vou mudar as tambs. Eu fiz umas ths mais bonita aqui, ó. Sorriso. Ó o print, ó. Sorriso super forçado aqui. O bom de não ter melhor ângulo, né, cara? Quando a minha esposa fala: "Ah, você prefere?" Não, não tem o melhor ângulo. É, qualquer ângulo é ruim, então, tipo, qualquer print tá tá mais do que eu mereço já. [risadas] Valeu, um abraço, pessoal. Marquem ali no Instagram.